推荐算法-矩阵分解(Matrix Factorization,MF)

2023-11-01 23:59

本文主要是介绍推荐算法-矩阵分解(Matrix Factorization,MF),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

常用的推荐算法

在这里插入图片描述
基于协同过滤的推荐算法是主流思想之一;
基于模型与基于领域的推荐算法之间的区别为:基于领域的协同过滤是将用户的数据读入到内存中进行运算,也称为基于内存的协同过滤(Memory-based)。数据量少的情况下,可以在线实时推荐;基于模型的推荐(Model-based),采用机器学习的方式,分成训练集和测试集。离线训练时间比较长,但训练完成后,推荐过程比较快。
隐语义模型是指通过挖掘用户与物品之间的隐含联系,从而对用户进行推荐。

一、矩阵分解是什么?

在这里插入图片描述
如上表所示,是一个user-item的评分表。
矩阵分解就是从评分矩阵中分解出user矩阵和item矩阵
在这里插入图片描述
user矩阵列数和item矩阵行数,为k,即隐变量的个数,自己设定。
矩阵分解做推荐系统的主要思想是用已知的user-item矩阵来分解为两个user矩阵和item矩阵,对分解后的user矩阵和item矩阵相乘得到每个用户对每部电影的预测评分,评分值越大,表示用户喜欢该电影的可能性越大,该电影值得推荐给用户。
目标函数为:
在这里插入图片描述
step1:得到user-item矩阵:
在这里插入图片描述
step2:分解为user矩阵和item矩阵,隐含特征为k(自己设定),k越大,计算量越大,k值即user列数和item行数
在这里插入图片描述
将user矩阵和item矩阵得到每个用户对影片的评分预测。(user-item矩阵如何分解为user矩阵和item矩阵见下节)

在这里插入图片描述
step3.根据每个用户对影片的评分预测,对用户进行推荐。

二、user-item矩阵如何分解为user矩阵和item矩阵

分解的好不好需要用到评估指标,评估预测值和真实值之间的差距:
在这里插入图片描述
如何对目标函数进行最优化解法,有两种常用的方差:
1.交替最小二乘法(Alternating Least Squares,ALS);
2.随机梯度下降(Stochastic Gradient Descent,SGD

ALS

最小二乘法由统计学家提出,应用广泛,简而言之是要求预测值与真实值差值的平方和大最小。ALS交替最小二乘法是固定一个来优化另一个。
即:step1,固定user矩阵,优化item矩阵;
step2,固定item矩阵优化user矩阵;
step3.重复step1和step2,知道两个矩阵收敛。
针对目标函数:
step1:固定Y优化X
在这里插入图片描述
将目标函数转化为矩阵表达形式

在这里插入图片描述
对目标函数J关于x求梯度,并令梯度为零,得
在这里插入图片描述
求解后可得:
在这里插入图片描述
step2:同理求得y

SGD

梯度下降主要分为三种:
全量梯度下降:
特点:在每次更新时用所有样本,稳定,但收敛慢;
随机梯度下降:
每次更新时用1个样本,用1个样本来近似所有的样本,更快收敛,最终解在全局最优解附近;
小批量梯度下降:
每次更新用b个样本,折中,速度较快。

这篇关于推荐算法-矩阵分解(Matrix Factorization,MF)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/326683

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

查看Oracle数据库中UNDO表空间的使用情况(最新推荐)

《查看Oracle数据库中UNDO表空间的使用情况(最新推荐)》Oracle数据库中查看UNDO表空间使用情况的4种方法:DBA_TABLESPACES和DBA_DATA_FILES提供基本信息,V$... 目录1. 通过 DBjavascriptA_TABLESPACES 和 DBA_DATA_FILES

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

OpenManus本地部署实战亲测有效完全免费(最新推荐)

《OpenManus本地部署实战亲测有效完全免费(最新推荐)》文章介绍了如何在本地部署OpenManus大语言模型,包括环境搭建、LLM编程接口配置和测试步骤,本文给大家讲解的非常详细,感兴趣的朋友一... 目录1.概况2.环境搭建2.1安装miniconda或者anaconda2.2 LLM编程接口配置2

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

Redis 内存淘汰策略深度解析(最新推荐)

《Redis内存淘汰策略深度解析(最新推荐)》本文详细探讨了Redis的内存淘汰策略、实现原理、适用场景及最佳实践,介绍了八种内存淘汰策略,包括noeviction、LRU、LFU、TTL、Rand... 目录一、 内存淘汰策略概述二、内存淘汰策略详解2.1 ​noeviction(不淘汰)​2.2 ​LR

Vue项目的甘特图组件之dhtmlx-gantt使用教程和实现效果展示(推荐)

《Vue项目的甘特图组件之dhtmlx-gantt使用教程和实现效果展示(推荐)》文章介绍了如何使用dhtmlx-gantt组件来实现公司的甘特图需求,并提供了一个简单的Vue组件示例,文章还分享了一... 目录一、首先 npm 安装插件二、创建一个vue组件三、业务页面内 引用自定义组件:四、dhtmlx

前端 CSS 动态设置样式::class、:style 等技巧(推荐)

《前端CSS动态设置样式::class、:style等技巧(推荐)》:本文主要介绍了Vue.js中动态绑定类名和内联样式的两种方法:对象语法和数组语法,通过对象语法,可以根据条件动态切换类名或样式;通过数组语法,可以同时绑定多个类名或样式,此外,还可以结合计算属性来生成复杂的类名或样式对象,详细内容请阅读本文,希望能对你有所帮助...

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为