推荐系统实践 · 第三十一节
《推荐系统实践》第三十一节
本节介绍评分预测中的三类方法。基于用户的邻域方法用皮尔逊系数找出与目标用户最相似的K个用户,参考他们对该物品的评分(减去各自平均分后加权平均)进行预测……
本节介绍评分预测中的三类方法。基于用户的邻域方法用皮尔逊系数找出与目标用户最相似的K个用户,参考他们对该物品的评分(减去各自平均分后加权平均)进行预测;基于物品的邻域方法则参考用户对相似物品的评分,Sarwar对比了余弦、皮尔逊、修正余弦三种物品相似度,实验显示修正余弦的MAE最优,但结论未必适用于其他数据集。
随后介绍隐语义模型(即矩阵分解):评分矩阵大量缺失,预测即填空。传统SVD需先补全矩阵(稀疏度常超95%,补全后占用空间过大),且计算复杂度高,难以实用。SimonFunk提出Funk-SVD,直接将评分矩阵分解为两个低维矩阵,用随机梯度下降最小化带正则项的RMSE损失来学习参数,每步需衰减学习率,矩阵用与1/sqrt(F)成正比的随机数初始化。其改进包括BiasSVD(加入全局平均、用户偏置、物品偏置三项)和Koren的SVD++(引入邻域影响:把ItemCF的相似度矩阵改为可学习参数,再对该矩阵作分解以减少参数量、防止过拟合)。