《推荐系统》学习心得

Posted 2021-11-25 lhfhaifeng

2019年4月1日21:32:02

今天阅读了Charu C . Aggarwal 著作《推荐系统-原理与实践》，主要内容包括 矩阵分解

1、无约束矩阵分解

a)          ,满足U和V上无约束

b)        预测矩阵R的（i，j）位置的值

c)       

 

d)       梯度求导需要对同时求导

2、随机梯度下降

a)        对矩阵中是数据进行随机打乱，更细已知点的值

3、正则化

a)        正则化是当评分矩阵R稀疏且已知值相对较少时，会出现过拟合问题。为了解决过拟合问题，在目标函数中添加了正则项,其中为正则化参数，非负数，正则化其实是加入了矩阵的二范数。

b)        正则化目标函数为

c)        

 

4、增量式隐分量训练

a)        类型循环训练的方式，每次仅对q=1执行更新，分别学术U和V的第一列和。然后从R中减去外积矩阵。如此循环。

b)        增量方法需要调整外循环的两次执行之间的评分矩阵。因此优化的参数较少，该方法会对每个分量的收敛更快、更稳定。

5、交替最小二乘和坐标下降

a)        交替最小二乘法

                        i.              固定U不变，通过将问题转化为最小二乘回归问题来处理V的n行中的每一行。每行计算相互独立，可并行计算。

                      ii.              保持V不变，通过将问题转化为最小二乘回归问题来处理U的m行中的每一行。每行计算相互独立，可并行计算。

                    iii.              这两个步骤迭代直到收敛。当目标函数中包含正则化项，依旧进行迭代。

b)        坐标下降法

                        i.              通过对矩阵中的每个点，中的每个点，保持其他参数不变，每次进行训练其中的一个点，类似训练坐标（i,j）。

6、合并用户和物品偏差

a)        思想为用户可能存在评价偏差，一些用户偏向于给高分，一些用户偏向于给低分，即吝啬用户。

b)        通过引入变量，表示用户评分值的一般偏差。

c)        同样的，可能一些商品存在好评，大卖的商品能够普遍获得较高的评分，而残次品可能普遍获得较低评分

d)       通过引入变量,表示商品评分的一般偏差

e)        损失变为