本文共 313 字,大约阅读时间需要 1 分钟。
方阵可以求特征矩阵
思路可参考:
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
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
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/