一、简介
矩阵分解(Matrix Factorization,MF)是推荐系统中非常经典的一个算法,虽然现今工业界直接使用的较少,但其背后蕴含的编码降维思想,得以广泛应用于推荐领域之中。本文则主要来梳理下MF和FM的原理,灵感主要来源于大神张俊林的文章(张俊林:推荐系统召回四模型之:全能的FM模型)。
二、MF(Matrix Factorization)
矩阵分解MF算法,同时兼具了协同过滤,隐语义分析和有监督学习的特性,加上矩阵分解的易实现性和高拓展性,成为推荐领域非常经典的算法。我们先来梳理下矩阵分解的基础算法。
1. SVD(奇异值分解)
说到矩阵分解,往往最先想到的是解析几何中奇异值分解这一概念。实际上,推荐系统中最初的矩阵分解算法也正是源于此。我们可以对User-Item矩阵A(存储用户对物品的评分)直接进行矩阵分解: