MF(Matrix Factorization)
-
MF的基本原理
將一個矩陣D分解爲U和V的乘積,即對於一個特定的規模爲 的矩陣D,估計出規模分別爲 和 的矩陣U和V,使得的值儘可能逼近矩陣D,一般來講,k的取值應該滿足 。如果在推薦系統中,D代表用戶對商品的行爲矩陣的話,那麼U和V則分別代表embedding表示的用戶和商品向量。
以公式來表示的話,就是 :
其中表示 矩陣第 行的向量, 表示 矩陣第j行向量。
爲了限制的取值呈現一個以0爲中心的正態分佈,這裏對的值加上正則項,得到目標優化項:
對求的偏微分,得到對應梯度:
將該結果擴展,可以得到對的偏微分爲:
得到梯度以後,既可以通過梯度對的值進行迭代。如果是採用最簡單的梯度下降的話,則迭代公式如下:
其中 表示學習速率。 -
推薦閱讀
矩陣分解