電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>PyTorch教程21.3之矩陣分解

PyTorch教程21.3之矩陣分解

2512802 2023-06-06 | pdf | 0.16 MB | 次下載 | 免費(fèi)

資料介紹

矩陣分解（Koren等人，2009 年）是推薦系統(tǒng)文獻(xiàn)中公認(rèn)的算法。矩陣分解模型的第一個(gè)版本是由 Simon Funk 在一篇著名的博文中提出的他在其中描述了分解交互矩陣的想法。由于 2006 年舉行的 Netflix 競(jìng)賽，它變得廣為人知。當(dāng)時(shí)，媒體流媒體和視頻租賃公司 Netflix 宣布了一項(xiàng)提高其推薦系統(tǒng)性能的競(jìng)賽。能夠在 Netflix 基準(zhǔn)（即 Cinematch）上提高 10% 的最佳團(tuán)隊(duì)將贏得 100 萬(wàn)美元的獎(jiǎng)金。因此，本次比賽引起了推薦系統(tǒng)研究領(lǐng)域的廣泛關(guān)注。隨后，大獎(jiǎng)由 BellKor 的 Pragmatic Chaos 團(tuán)隊(duì)獲得，該團(tuán)隊(duì)由 BellKor、Pragmatic Theory 和 BigChaos（您現(xiàn)在無(wú)需擔(dān)心這些算法）組成。盡管最終得分是集成解決方案（即許多算法的組合）的結(jié)果，矩陣分解算法在最終混合中發(fā)揮了關(guān)鍵作用。Netflix大獎(jiǎng)解決方案技術(shù)報(bào)告( T?scher et al. , 2009 )詳細(xì)介紹了所采用的模型。在本節(jié)中，我們將深入探討矩陣分解模型及其實(shí)現(xiàn)的細(xì)節(jié)。

21.3.1。矩陣分解模型

矩陣分解是一類(lèi)協(xié)同過(guò)濾模型。具體來(lái)說(shuō)，該模型將用戶-項(xiàng)目交互矩陣（例如，評(píng)分矩陣）分解為兩個(gè)低秩矩陣的乘積，捕獲用戶-項(xiàng)目交互的低秩結(jié)構(gòu)。

讓R∈Rm×n表示交互矩陣m用戶和n項(xiàng)和值R表示明確的評(píng)級(jí)。用戶-項(xiàng)目交互將被分解為用戶潛在矩陣 P∈Rm×k和一個(gè)項(xiàng)目潛在矩陣 Q∈Rn×k，在哪里 k?m,n, 是潛在因子大小。讓pu 表示uth一排P和 qi表示ith一排 Q. 對(duì)于給定的項(xiàng)目i, 的元素 qi衡量項(xiàng)目在多大程度上擁有電影的流派和語(yǔ)言等特征。對(duì)于給定的用戶u, 的元素pu衡量用戶對(duì)物品相應(yīng)特征的興趣程度。這些潛在因素可能會(huì)衡量那些示例中提到的明顯維度，或者完全無(wú)法解釋。預(yù)測(cè)評(píng)級(jí)可以通過(guò)以下方式估算

(21.3.1)R^=PQ?

在哪里R^∈Rm×n是預(yù)測(cè)的評(píng)分矩陣，其形狀與R. 該預(yù)測(cè)規(guī)則的一個(gè)主要問(wèn)題是無(wú)法對(duì)用戶/項(xiàng)目偏差進(jìn)行建模。例如，一些用戶往往會(huì)給出較高的評(píng)分，或者某些項(xiàng)目由于質(zhì)量較差而總是獲得較低的評(píng)分。這些偏差在實(shí)際應(yīng)用中很常見(jiàn)。為了捕獲這些偏差，引入了特定于用戶和特定于項(xiàng)目的偏差項(xiàng)。具體來(lái)說(shuō)，預(yù)測(cè)評(píng)分用戶u給項(xiàng)目i計(jì)算方式