概率矩阵分解通俗易懂的理解

用来做什么

传统的协同过滤方法既不能处理大数据量的推荐，也不能处理只有很少评分的用户。概率矩阵分解通过用户-产品评分矩阵，可以学习到用户和产品的特征向量，进而得到完整推荐结果。

怎么做到的

概率矩阵分解简单而言就是：R矩阵（用户-产品评分矩阵）是本身已有推荐数据，矩阵稀疏，我们需要填补这些稀疏的部分作为推荐结果。此时我们假定R矩阵等于U、V的内积，U、V分别为用户特征矩阵和产品特征矩阵。U、V的内积得到的矩阵具有以下特性：
1、最大限度地满足：本身已有矩阵R，在不稀疏、有评分数据的位置上，与UV的内积对应位置评分数据相近。
2、在本身已有矩阵R的稀疏位置，UV的内积作为预测结果用来推荐。
此时可以根据条件1来计算U、V，再根据计算结果的U、V来填补R的稀疏部分，达成推荐。
3、以上两点是矩阵分解(MF)的特性，PMF相比与MF，引入了与概率、统计学相关的概念与方法，实际上与MF并无太大差异。

怎么计算的

核心思想：推荐系统用来学习的矩阵为R，其中Rij代表了用户i对物品j的评分。一般而言矩阵R是稀疏矩阵，有很多评分数据为0。此时通过引入用户特征矩阵和物品特征矩阵，使得R=UV（内积）。（涉及先验后验似然知识）。假设在U、V情况下，得到现有用户-物品矩阵R的概率服从正态分布，且假设U、V服从某一形式的正态分布。此时可以得到后验概率P(U,V|R)。需要通过得到的最大化目标函数，使后验概率最大，此时得到的U、V即为所求的特征矩阵。
根据U、V特征矩阵可以得到完整评分推荐矩阵。

推导过程

具体可以看知乎文章，这篇推导过程写的比较详细。
https://zhuanlan.zhihu.com/p/27399967
直到最后推导，得到PMF的最大化目标函数：

即目标为最小化（-E）。最小化（-E）可以分三个小目标看：
第一个目标：相当于RMSE，衡量已有评分R与计算评分UiTVj之间的差异。

第二、三个目标：相当于一个正则化目标。如果只最小化RMSE会造成过拟合，此时相当于加上了范数进行正则化。