矩阵分解(MF)-推荐系统+python代码

前言

推荐系统中最为主流与经典的技术之一是协同过滤技术（Collaborative Filtering），
它是基于这样的假设：用户如果在过去对某些项目产生过兴趣，那么将来他很可能依然对其保持热忱。
目前推荐系统中用的最多的就是矩阵分解（Matrix Factorization）方法。
矩阵分解就是预测出评分矩阵中的缺失值，然后根据预测值以某种方式向用户推荐。
矩阵分解可以解决一些近邻模型无法解决的问题，近邻模型存在的问题：
1、物品之间存在相关性，信息量并不是随着向量维度增加而线性增加
2、矩阵元素稀疏，计算结果不稳定，增减一个向量维度，导致紧邻结果差异很大的情况出现。
这里以用户-项目评分为例来详解矩阵分解。

一、矩阵分解

1.案例

用户-项目评分矩阵R(M×N)
打分矩阵R(n,m)是n行m列，n表示user个数，m表示item个数，‘-’表示用户没有打分

2.思路

矩阵分解就是把大矩阵分解成两个小矩阵，
即矩阵R可近似表示为矩阵P与矩阵Q的乘积：
$$R_{n\times m}\approx P_{n\times k}\times Q_{k\times m}={\hat{R}}_{n\times m}$$
矩阵P(n,k)表示n个user和K个特征之间的关系矩阵，将矩阵Q(m,k)表示m个item和K个特征之间的关系矩阵，
接下来就是要求的矩阵P和Q，即可的预测矩阵R

3.推导步骤

1. 首先：
   $${\hat{r}}_{ij}=\sum _{k=1}^K{p}_{ik}{q}_{kj}$$
2. 损失函数：
   $$e_{ij}^2=(r_{ij}-{\hat{r}}_{ij}{)}^2=(r_{ij}-\sum _{k=1}^k{p}_{ik}$$