文章介绍了矩阵因子分解如何转化为优化问题，主要探讨了ALS算法的原理，即通过交替固定Q和P来最小化目标损失函数，以及梯度下降算法在求解过程中的作用。每个用户特征向量在Q固定时可独立求解，直到损失函数收敛为止。
前言
现在，矩阵因子分解的问题已经转化成了一个标准的优化问题，需要求解P、Q,使目标损失函数取最小值
最小化过程的求解，一般采用随机梯度下降算法或者交替最小二乘法来实现
交替最小二乘法（Alternating Least Squares ,ALS）
ALS的思想是：由于两个矩阵P和Q都未知，且通过矩阵乘法耦合在一起，为了使它们解耦，可以先固定Q,把P当做变量，通过损失函数最小化求出P，这是一个经典的最小二乘问题；再反过来固定P，把Q当作变量，求解出Q:如此交替执行，直到误差满足阈值条件，护着到达迭代上线；
ALS 算法
ALS算法具体过程如下：
1、为Q指定一个处置Q0,可以是随机生成或者全局平均值
2、固定当前Q0，求解P0
3、固定当前P0值，求解Q1
4、固定当前Q1值，求解P1
5、重复以上过程
6、直到损失函数的值c收敛，迭代结束；
求解过程
以固定Q,求解P为例
由于每一个用户u都是相互独立的，当Q固定时，用户特征向量Pu应该取得的值与其他用户特征向量无关，所以每一个Pu都可以单独求解
梯度下降算法
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
