常見推薦系統(tǒng)算法總結(jié)報(bào)告及性能比較(編輯修改稿)
2025-08-30 04:07 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 打了分. 同時(shí)用戶X,Y還對(duì)Item2打了分, 用戶A對(duì)Item2可能會(huì)打多少分呢?User Rating to Item 1 Rating to Item 2X 5 3Y 4 3A 4 ?根據(jù)SlopeOne算法, 應(yīng)該是:4 ((53) + (43))/2 = .當(dāng)然這個(gè)只是個(gè)算例簡(jiǎn)單地說(shuō)明下原理，當(dāng)user和item都很多的時(shí)候，你可以用加權(quán)的辦法來(lái)做。為什么我會(huì)感覺(jué)這個(gè)算法的效果會(huì)不理想呢？因?yàn)?，這個(gè)算法總是把你的口味和大眾的平均口味作對(duì)等，推薦出來(lái)的東西很難是非常個(gè)性化的。很容易讓很多用戶的推薦結(jié)果趨向一致，也就是大數(shù)的平均值，也即大眾的平均口味。Svd(奇異值分解)svd的全稱是：Singular Value Deposition，翻譯過(guò)來(lái)是奇異值分解，是一種矩陣分解的方法。其實(shí)，這個(gè)方法是提取一般實(shí)矩陣“特征值”的算法，（這里特征值加引號(hào)是因?yàn)?，特征值是針?duì)方陣來(lái)定義的，而一般的m*n的實(shí)矩陣是沒(méi)有特征值的。）其實(shí)，矩陣就是一個(gè)線性變換的表示方法，因?yàn)橐粋€(gè)向量乘一個(gè)矩陣的結(jié)果是一個(gè)向量，第一個(gè)向量通過(guò)線性變換來(lái)變成第二個(gè)向量。線性變換有許多變換方向，比如你可以對(duì)一個(gè)圖像矩陣做伸縮同時(shí)也做平移。那么特征值和特征向量又是什么？一個(gè)特征向量就是表示其中的一個(gè)變換方向，而對(duì)應(yīng)的特征值則表示這個(gè)變換方向?qū)τ谡麄€(gè)線性變換有多么重要。書歸正傳，那么奇異值又是什么？我覺(jué)得奇異值就是特征值從方陣往一般實(shí)矩陣的一個(gè)推廣。你將一個(gè)m*n的實(shí)矩陣和它的轉(zhuǎn)置相乘，就會(huì)得到一個(gè)方陣，然后對(duì)這個(gè)方陣做特征值分解，得到的特征值就是所謂的奇異值的平方。我的意思是說(shuō)，某種意義上，可以講奇異值和特征值理解為一回事。那么拿到奇異值又會(huì)有什么用呢？拿到奇異值后，我們就可以抓到主要的成分，丟掉次要和非常次要的成分進(jìn)行分析。也就是說(shuō)，我們可以對(duì)原來(lái)的龐大的常常又非常稀疏的矩陣進(jìn)行降維和分解，而分解后得到的矩陣都是稠密矩陣。最終我們會(huì)得到一個(gè)表示user特性的矩陣和一個(gè)表示item特性的矩陣。拿到這些數(shù)
物理相關(guān)推薦
鄂ICP備17016276號(hào)-1