推荐系统之矩阵分解模型注（一）

考试月占据了我全部时间，现在专业课终于考完了，还剩几个大作业和几个专业选修课的考试，其中一个就是人工智能。人工智能要作一篇报告，分享自己所学的人工智能领域的知识，时长大概15min。恰逢腾讯技术微信公众号出了三篇推荐系统的讲解，我就打算以这个为原型做一次分享。可是看腾讯的三篇文章，我是一头雾水，许多数学知识没有学过，严重阻碍了对文章的理解。经过大量努力，终于理解了其中的核心内容，现在写一篇博客整合一下相关知识，供自己和后人参考，希望任何层次阶段的同学都能看懂并有所收获。

说实话，以前更新的文章都是偏向于应用，这一次更新的文章感觉更偏向于理论模型，当然是因为我太菜，所以感觉这次更新的东西蛮高大上的。不多说了，先看看腾讯的三篇文章：

科普篇 | 推荐系统之矩阵分解模型

原理篇 | 推荐系统之矩阵分解模型

实践篇 | 推荐系统之矩阵分解模型

---

里面涉及到大量数学知识，所以我打算分几次更新完这次的内容，全部写在一起不利于阅读。这篇我就列一个提纲，算是说一说接下来准备记录的内容：

• 推荐系统之矩阵分解模型注（一）

1. 矩阵基础
2. 置信度

• 推荐系统之矩阵分解模型注（二）

1. 矩阵分解算法
2. 范数与2范数

• 推荐系统之矩阵分解模型注（三）

1. 残差平方和
2. 最小二乘法与交替最小二乘法

• 推荐系统之矩阵分解模型注（四）

1. 召回与精排
2. 超参数

---

这篇文章先说基础的基础：

1. 矩阵基础

1.1 矩阵乘法

是一个矩阵，我们可以把它看做一个3*3的矩阵，因为水平竖直方向均有3列数。前面的3指的是排数，后面的3指的是列数。这个主要是帮助大家唤起对线性代数的记忆，毕竟很久以前学的，忘了大半了。

矩阵就是一个数列，而矩阵间是可以进行计算的，如：

      

      

1.2 矩阵的秩

m × n矩阵的秩最大为m和n中的较小者，表示为 min(m,n)， 第一个3*3的矩阵，矩阵的秩为3。但是这是有前提的，即该矩阵通过初等行列变换之后的非零行或者非零列。

1.3 内积

也称点积。看下式：

                      

              

当点积是两个矩阵相乘的时候：

              

               是的转置矩阵

1.4 奇异值与特征值

特征值：一矩阵A作用与一向量a，结果只相当与该向量乘以一常数λ。即A*a=λa，则a为该矩阵A的特征向量，λ为该矩阵A的特征值。

奇异值：设A为m*n阶矩阵，的n个特征值的非负平方根叫作A的奇异值。记为σi(A)

是转置共轭矩阵。

2. 置信度

置信度是统计学概念，简单说就是对某种事物发生的真实概率在概率区间内的百分比，这个概率区间就是置信区间。举个例子，我在某一次模拟考中考了65分，我在最终的期末考中，考（60，70）的概率是95%，则可以说我在期末考试中，在置信区间（60，70）的置信度是0.95 。