推薦系統與深度學習-學習筆記四

4.2.2 基於用戶的協同算法

1. 給每個商品建立用戶的矩陣
2. 計算用戶之間的相似度
3. 取和當前用戶最相似的用戶，把他們購買的物品推薦給當前用戶

4.2.3 基於用戶協同和基於物品協同的區別

• 從推薦的場景考慮

ItemCF	UserCF
基於物品相似度	基於用戶相似度
用戶數>>商品數
購物網站、圖書、電子商務、電影網站	新聞、博客、社交網絡
個性化	關注社會化、興趣小組、多維度
內容相對穩定	內容更新頻率高
有推薦理由
多樣性強、新穎性、發現長尾	推薦熱門

4.2.4 基於矩陣分解的推薦方法

• 矩陣分解
  特徵值、特徵向量
  $Ax=λx$
  左邊：矩陣$A$是一個$n*n$的矩陣，$x$是一個$n$維向量
  右邊：則$λ$是矩陣$A$的一個特徵值，$x$是矩陣$A$的特徵值$λ$對應的特徵向量。
  $λ$是特徵值
  $x$是特徵向量
  特徵向量的幾何含義是：特徵向量$x$通過方陣$A$變換隻進行縮放，而方向並不會變化。
  如果可以求得矩陣$A$的$n$個特徵值，則可以得到對角矩陣$\Sigma$ ，
  那麼矩陣$A$的特徵分解：$A=U \Sigma U^{-1}$
  其中，$U$是這$n$個特徵向量組成的$n*n$維矩陣
• 奇異值
  如果$A$不是方陣，採用的分解方法是奇異值分解。SVD
  假設$A$是一個$m*n$的矩陣，那麼$A$的特徵分解是：$A=U\Sigma V^{T}$
  這裏需要了解一下相關內容