推荐分解：介绍SVD、SVD++
本文共 313 字，大约阅读时间需要 1 分钟。
SVD介绍
SVD原理：奇异值分解
方阵可以求特征矩阵
思路可参考：
作用
可以用最大的k个的奇异值描述矩阵。 所以SVD可以用于PCA降维，来做数据压缩和去噪。
也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐
推荐分解svd ：隐语义模型LFM
将用户和物品分别映射到各自的特征空间，然后通过两个特征向量的内积来预测用户对一个物品的喜好程度。
计算真实值和预测值的平方误差，然后用梯度下降法更新
SVD++
在LFM中，只考虑了用户特征向量和物品特征向量（显示反馈）和偏置向量，在SVD++中，进一步考虑了用户对其有过浏览/评分行为的商品的隐式反馈.
Nu是用户有过浏览等行为的物品组合
转载地址：http://llhdi.baihongyu.com/
你可能感兴趣的文章
解决国内NPM安装依赖速度慢问题
查看>>
Brackets安装及常用插件安装
查看>>
Centos 7（Linux）环境下安装PHP（编译添加）相应动态扩展模块so（以openssl.so为例）
查看>>
fastcgi_param 详解
查看>>
Nginx配置文件（nginx.conf）配置详解
查看>>
标记一下
查看>>
IP报文格式学习笔记
查看>>
autohotkey快捷键显示隐藏文件和文件扩展名
查看>>
Linux中的进程
查看>>
学习python（1）——环境与常识
查看>>
学习设计模式（3）——单例模式和类的成员函数中的静态变量的作用域
查看>>
自然计算时间复杂度杂谈
查看>>
当前主要目标和工作
查看>>
使用 Springboot 对 Kettle 进行调度开发
查看>>
一文看清HBase的使用场景
查看>>
解析zookeeper的工作流程
查看>>
搞定Java面试中的数据结构问题
查看>>
慢慢欣赏linux make uImage流程
查看>>
linux内核学习(7)脱胎换骨解压缩的内核
查看>>
以太网基础知识
查看>>