该博客探讨了推荐系统中解决矩阵稀疏性问题的LFM（隐语义模型）和MF（矩阵分解）方法。LFM通过寻找用户与商品之间的隐含元素连接来建模，而MF将共现矩阵分解为用户和物品的隐向量矩阵。Funk-SVD作为矩阵分解的一种实现，利用神经网络优化参数，并引入偏置项以减少系统偏差。SVD++则考虑了用户历史行为对评分预测的影响，增强预测准确性。
推荐系统2--隐语义模型（LFM）和矩阵分解（MF）_Evey_zhang的博客-CSDN博客_推荐系统mf模型
这里主要是因为协同过滤存在一些问题，矩阵稀疏，难以评估相似性
1.lfm隐语义模型
找到隐含的匀速连接起用户与商品，用户会对不同的元素感兴趣，不同的商品包含的这些元素权重也不同，元素向量是要找的隐含变量
2.矩阵分解
共现矩阵（m*n）分解成用户矩阵（m*k）*物品矩阵（k*n）
k是隐含变量的维度，k的大小决定了隐含向量表达能力的强弱，越大，表达的信息越具体，挖掘到的用户的兴趣，物品的特征信息也越多。
3.矩阵分解的方法
evd（特征分解）要求矩阵是方阵
svd（奇异值分解）要求矩阵稠密，没空缺值
Funk-SVD(lfm)利用神经网络求解参数的方法 求解隐变量（r=p_u*q_i）
做法：初始化矩阵，已有的用户对物品的评分是label，用户，物品隐向量是特征，两个隐向量的乘积是预测值，最小化sse对用户矩阵，误差反向传播，更新两个隐向量，对物品矩阵进行填充，填充完毕就可以计算用户对未评分物品的评分了
rsvd加入了正则项(r=miu+b_u+b_i+p_u*q_i)
有些物品有些属性与用户没有关系，用户某些属性与商品没有关系，比如某些人偏悲观对所有的物品都会有低打分的倾向，这是与物品本身无关的，加入偏置消除评分系统本身的偏差
SVD++
前面的LFM模型没有显示的考虑用户的历史行为对用户评分预测的影响。但是可以知道的是，用户的历史行为记录，对当下物品的预测也可以作为一个参考
前面的矩阵分解当前的共现矩阵，没考虑到历史商品的评分
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
