矩阵分解
2014-08-08 15:18
162 查看
推荐系统的策略
content filtering(内容过滤)
原理
用户档案:描述用户的属性(个人喜好,特征)产品档案:描述产品的特征
利用用户档案与产品档案将用户与产品联系起来,求出用户对某个产品的喜爱程度
collaborative filtering(协同过滤)
协同过滤利用历史的记录来进行推荐优点: domain free(不需要领域知识)
缺点: 冷启动(新用户,新项目这种没有评分的情况)
两个方法
neighborhood methods(邻居法)latent factor model(隐语义模型)
邻居法: 找出与某个用户最相似的用户, 然后按相似用户的喜爱的项目进行推荐
隐语义模型: 尝试利用对用户与产品的描述来解释用户的评分
矩阵分解(Matrix Factorization Methods)
隐语义最成功的一个实现是矩阵分解矩阵分解将每一个产品与每一个用户描述成一系列的因子(语义),产品与用户的因子高度吻合即可成为一个推荐
数据源
显示反馈: 用户直接给的评分隐式反馈: 通过用户的行为记录,个人信息,购买记录给相应的产品进行打分
相关文章推荐
- 矩阵分解 推荐
- 矩阵分解模型
- 第四章 矩阵分解
- 矩阵分解 三角分解(LU分解)
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 矩阵分解
- 矩阵分解(rank decomposition)文章代码汇总
- 矩阵分解
- 矩阵分解 LDL^T分解
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 矩阵分解(1) LU分解
- 矩阵分解的Jungle
- 矩阵分解(Matrix Factorization)与推荐系统
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 矩阵分解(2)QR分解
- 矩阵分解(rank decomposition)文章代码汇总
- 矩阵分解出现之后的推荐系统综述
- 【Scikit-Learn 中文文档】二十三:分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN