RSVD和SVD++，MFMPC

---

pure svd

通过将rating矩阵用SVD进行分解：

• M表示用户
• N表示物品
• k表示向量的维度， 用多大维度的向量去表征一个用户 ，物品的状态

分解后进行预测：

RSVD

将评分矩阵看做两个矩阵的乘积：

• 第一个矩阵U的维度M*k
• 第二个矩阵V的维度k*N

第一个矩阵的每一行表征用户的状态， 第二个矩阵的每一列表征item的状态。

初始化U，V之后， 用梯度下降最小化这个函数：

后面加的这两项是为了防止过拟合

SVD++

评分的行为从侧面反映了用户的喜好，可以将这样的反映通过隐式参数的形式体现在模型中，从而得到一个更为精细的模型，便是 SVD++。

对应的处理是加上一个W矩阵， W矩阵的维度是M*k ， M表示用户的数量

在训练时， 统计每一个用户对item进行评分的index ， 然后将这些index所对应的W矩阵的行进行相加， 用于表示用户对item进行评分的体现。

红色的U用户对所评分item的体现。
之后用梯度下降进行优化， 更新

MFMPC

相较于SVD++又加入了一些更加细粒化的操作， SVD++虽然考虑了用户对某些item的评分， 但是忽略了评分的等级， 所以MFMPC将SVD++的一个W矩阵拓展到了M个（M表示有多少个评分等级），例如 ， 评分为1，2，3，4，5，那么M就为5 ， 每一个W矩阵对应一个评分矩阵 ， 用户对item评分多少就到对应的W矩阵进行梯度跟新
预测规则：