问矩阵分解对协同过滤有什么帮助？

EN

回答您的问题

1. 您可以分解矩阵，以便尽可能接近原始矩阵。这通常是从随机值开始，并根据误差(因子乘积和原始矩阵之间的误差)进行更新。换句话说，对于给定的矩阵A，您试图找到矩阵C&D，这样误差(A- (C ))是最低的。该算法旨在找到一个近似，这可能导致原始缺失条目被替换为新的值(建议或评级)。
2. 你只是在繁殖吗？是。这是计算的本质。对于每一个用户和产品，乘法给你评级或评分。根据分数进行排序，并为每个用户选择推荐的索引。它还允许您现在存储比原始矩阵小得多的矩阵。
3. 因式分解的选择也将由应用程序决定。如果您的应用程序只有正的评分，那么最好使用非负矩阵因式分解。您可以在不知道要开始的实现的情况下开始使用矩阵因式分解方法，只要您知道总体想法(以及使用它的缺陷)。

进一步评论

让人有些困惑的是，您从一个包含许多缺失项(未见项)的矩阵开始，通过因式分解近似矩阵，并期望得到无缺失项(这有助于进行预测)。如果任务是近似原始条目，那么建议将不是很好，因为您可以在近似中有缺失/零项，并且在近似任务上仍然得到最低的误差。其思想是:算法中的正则化(上面第1点)确保了对原始数据中的噪声进行过滤，并且只检测到模式。但这一想法也受到了不少批评。本文作者：的导言部分提供了一个可读的介绍，介绍了在简单矩阵分解方法中所发生的事情以及可能出错的原因。本文还用较好的优化准则对任务进行了重新规划。您还可以阅读西蒙·芬克的这篇文章，它用可读的语言(和代码)解释了用于建议的矩阵因式分解的机制。