一. svd （singular value decomposition) 奇異值分解
奇異值分解將矩陣分解為奇異值和奇異向量
a是乙個m*n的矩陣，u是乙個m*m的矩陣，d是乙個m*n的矩陣，v是乙個n*n的矩陣
矩陣d對角元素上的值稱為矩陣a的奇異值，u的列向量稱為左奇異向量，v的列向量稱為右奇異向量
左奇異向量是
二. svd++
svd++與svd
svd++推薦系統
三.mf 矩陣分解
原 推薦演算法中的mf, pmf, bpmf
推薦系統中的常用演算法 DeepWalk演算法
通過graph embedding得到圖中每個item的embedding表示，deepwalk演算法常被用於推薦系統。graph embedding使用低維稠密向量的形式表示圖中的節點，使得在原始圖中相似 不同的方法對相似的定義不同 的節點其在低維表達空間也接近。deepwalk演算法借鑑了wor...
推薦演算法 推薦系統的評估
其中 ep 是測試資料集合 rs ua i ualu lu u 待推薦的列表大小 離線測試，使用者 u在測試集中影片數量 未打分的影片數量 iu a 是 影片 a 在使用者推薦列表中的排名ap x i 1x pre dict ioni ch ange inre call i ap 2 p redi ...
推薦演算法中的 相似度計算
對使用者的行為進行分析得到使用者的偏好後，可以根據使用者的偏好計算相似使用者和物品，然後可以基於相似使用者或物品進行推薦。這就是協同過濾中的兩個分支了，即基於使用者的協同過濾和基於物品的協同過濾。關於相似度的計算，現有的幾種方法都是基於向量 vector 的，其實也就是計算兩個向量的距離，距離越近相...