奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的矩阵分解算法，这里对SVD原理 应用和代码实现做一个总结。 1 实对称方阵的矩阵分解 对于一个$n\times n$实对称方阵$A$，如果存在一个向量$v$是矩阵$A$的特征向量，可以表示 ...
分类：
其他好文 时间：
2019-09-06 21:23:31
阅读次数：
204
一、隐语义模型（LFM Latent Factor Mode） 基于样本的用户偏好信息，训练一个推荐模型，然后根据实时的用户喜好信息进行预测新物品的得分，计算推荐 目标：揭示隐藏特征 方法：矩阵分解进行降维分析【分解之后的矩阵代表了用户和物品的隐藏特征】 1、LFM降维方法-矩阵因子分解 想要发现K ...
分类：
编程语言 时间：
2019-09-03 09:16:02
阅读次数：
107
QR分解 QR分解（正交三角分解）是将一个矩阵分解为一个正交矩阵Q和上三角矩阵R的乘积 A=QR 解线性方程组 Ax=b Ax=b-->QRx=b-->x=R\(Q\b) 求特征值 LU分解 LU分解将一个矩阵分解为一个单位下三角矩阵和一个上三角矩阵的乘积，A=LU LU分解在本质上是高斯消元法的一 ...
分类：
其他好文 时间：
2019-09-01 10:27:08
阅读次数：
105
SVD 是一种因子分解运算, 将一个矩阵分解为3个矩阵的乘积 其中, 奇异值矩阵是对角线矩阵 Key_Function np.linalg.svd函数, 可以对矩阵进行奇异值分解. U: 正交矩阵 sigma: 表示奇异值矩阵对角线的数组, 其他非对角线元素均为0 V: 正交矩阵 np.diag函数 ...
分类：
其他好文 时间：
2019-08-26 00:13:21
阅读次数：
103
当新用户或新项目进入内容平台时，就会出现冷启动（ColdStart）问题。以协同过滤这样的经典推荐系统为例，假设每个用户或项目都有评级，这样我们就可以推断出类似用户/项目的评级，即使这些评级没办法调用。但是，对于新进入的用户/项目，实现这一点很困难，因为我们没有相关的浏览、点击或下载等数据，也就没办法使用矩阵分解技术来“填补空白”。不过，研究人员已经提出了各种方法来解决冷启动问题。在这篇文章中，我
分类：
其他好文 时间：
2019-08-22 18:32:29
阅读次数：
105
在协同过滤推荐算法总结中，我们讲到了用矩阵分解做协同过滤是广泛使用的方法，这里就对矩阵分解在协同过滤推荐算法中的应用做一个总结。(过年前最后一篇！祝大家新年快乐！明年的目标是写120篇机器学习，深度学习和NLP相关的文章)# 一、1.矩阵分解用于推荐算法要解决的问题 在推荐系统中，我们常常遇到的问题... ...
分类：
编程语言 时间：
2019-07-19 19:10:03
阅读次数：
138
摘自推荐系统 一、SVD奇异值分解 参考 https://www.cnblogs.com/lzllovesyl/p/5243370.html 1、SVD简介 SVD（singular value decomposition）。其作用就是将一个复杂的矩阵分解成3个小的矩阵。 ...
分类：
其他好文 时间：
2019-04-10 22:03:28
阅读次数：
216
2019年4月1日21:32:02 今天阅读了Charu C . Aggarwal 著作《推荐系统-原理与实践》，主要内容包括 矩阵分解 1、无约束矩阵分解 a) ,满足U和V上无约束 b) 预测矩阵R的（i，j）位置的值 c) d) 梯度求导需要对同时求导 2、随机梯度下降 a) 对矩阵中是数据进 ...
分类：
其他好文 时间：
2019-04-02 10:30:29
阅读次数：
311
自然语言的话题topic分析 非监督学习 使用NMF非负矩阵分解提取文章话题，NMF是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法(NMF的基本思想可以简单描述为：对于任意给定的一个非负矩阵A，NMF算法能够寻找到一个非负矩阵U和一个非负矩阵V，使得满足 ，从而将一个非负的矩阵分解为左右两个 ...
分类：
其他好文 时间：
2019-02-19 15:08:12
阅读次数：
267
协同过滤是一种非常流行的推荐算法，通常协同过滤可以分为两种类型：邻域模型和矩阵分解模型。基于邻域的协同过滤算法包括基于用户的协同过滤算法和基于物品的协同过滤算法。隐语义模型是对矩阵分解的改进，通过矩阵分解建立了用户和隐类之间的关系，物品和隐类之间的关系 ，最终得到用户对物品的偏好关系。隐语义模型问世 ...
分类：
其他好文 时间：
2019-02-11 20:07:28
阅读次数：
319
