在现实情况下，用户的显式反馈严重不足，但一般拥有大量隐式反馈信息。所以在偏置svd基础上增加了用户的隐式反馈信息，该方法融合了用户的显式和隐式信息。 1.预测评分公式为 其中，有全局平均分，user的偏置信息，item的偏置信息，Ni为该用户评价过的所有item集合，从隐式反馈出发，作为用户偏好的补 ...
分类：
其他好文 时间：
2020-03-15 20:45:23
阅读次数：
89
SVD（Singular Value Decomposition，奇异值分解）是一种强大的降维工具 很多情况下，数据的一小段携带了大部分信息，其他要么是噪声，要么就是毫不相关的信息，SVD 是矩阵分解的一种，可以把 SVD 看成是从噪声数据中抽取相关特征 优点：简化数据，去除噪声，提高算法的结果 缺 ...
分类：
其他好文 时间：
2020-03-14 21:37:56
阅读次数：
75
K 近邻算法 作用：分类算法 优点：最简单、不需要训练、容易理解 缺点：计算复杂度高、空间复杂度高 原理：计算新数据与样本集中所有数据的欧式距离，提取距离最近的 K 个样本的标签，取 K 个样本里出现次数最多的标签，作为新数据的分类标签 决策树 ID3 作用：分类算法 优点：计算复杂度不高、容易理解 ...
分类：
编程语言 时间：
2020-02-09 09:54:44
阅读次数：
61
转：https://blog.csdn.net/u013108511/article/details/79016939 奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。就像是描述一个人一样，给别人描述 ...
分类：
其他好文 时间：
2020-01-27 21:55:56
阅读次数：
71
1. 矩阵分解可以用来解决什么方法, 以及how? 利用矩阵分解来解决实际问题的分析方法很多，如PCA(主成分分析)、ICA(独立成分分析)、SVD(奇异值分解)、VQ(矢量量化)等。在所有这些方法中，原始的大矩阵V被近似分解为低秩的V=WH形式。这些方法的共同特点是，因子W和H中的元素可为正或负， ...
分类：
其他好文 时间：
2020-01-10 22:12:43
阅读次数：
95
奇异值分解（Singular Value Decomposition，SVD）是一种重要的矩阵分解（Matrix Decomposition）方法，可以看做对称方正在任意矩阵上的一种推广，该方法在机器学习的中占有重要地位。 首先讲解一下SVD的理论，然后用python实现SVD，并应用于图像压缩。 ...
分类：
其他好文 时间：
2019-12-28 09:29:16
阅读次数：
116
Why 核函数 目的是为了解决 线性不可分问题 . 核心思想是 升维 . 当样本点在低维空间不能很好地分开的时候, 可以考虑将样本 通过某种映射(就是左乘一个矩阵) 到高维空间中, 然后在高维空间就容易 求解一个平面 $w^Tx +b$ 将其分开了. 想法是很美滋滋, 但立马就有一个问题, 计算量大 ...
分类：
其他好文 时间：
2019-11-28 13:20:44
阅读次数：
78
隐语义模型（Latent factor model，以下简称`LFM`），是推荐系统领域上广泛使用的算法。它将矩阵分解应用于推荐算法推到了新的高度，在推荐算法历史上留下了光辉灿烂的一笔。本文将对 `LFM` 原理进行详细阐述，给出其基本算法原理。此外，还将介绍使得隐语义模型声名大噪的算法`FunkS... ...
分类：
编程语言 时间：
2019-11-24 12:13:11
阅读次数：
102
Surprise库 参考链接: https://blog.csdn.net/weixin_41931400/article/details/88418509 SVD 参考链接: https://www.cnblogs.com/bjwu/p/9358777.html ...
分类：
编程语言 时间：
2019-11-12 11:09:35
阅读次数：
97
