推荐算法矩阵分解实战——keras算法练习

当今这个信息爆炸的社会，每个人都会面对无数的商品，无数的选择。而推荐算法的目的帮助大家解决选择困难症的问题，在大千世界中推荐专属于你的商品。

推荐系统算法简介

这里简单介绍下推荐系统中最为主要的协同过滤算法，大致分为如下几类：

• 基于用户的协同过滤（给用户推荐与他相似的人购买的物品）
• 基于商品的协同过滤（给用户推荐和他之前喜欢的物品相似的物品）
• 基于模型的协同过滤：关联算法，聚类算法，分类算法，回归算法，矩阵分解，神经网络,图模型以及隐语义模型都属于这个范畴。

而本次实战使用的是矩阵分解算法。
矩阵分解其实是数学上的一个经典问题。大家从线性代数中可以知道，矩阵可以做SVD分解、Cholesky分解等，就好比任何大于1的正整数都可以分解成若干质数的乘积，矩阵分解可以认为是一种信息压缩。下图是一个用户电影评分矩阵。矩阵的每行表示一个用户，每列表示一部电影，矩阵中每个位置的值，代表某个用户对某个电影的评分值。

矩阵分解

• R矩阵:用户对电影的评分组合矩阵，
• 用户矩阵，每一个被压

文章来源: wenyusuran.blog.csdn.net，作者：文宇肃然，版权归原作者所有，如需转载，请联系作者。

原文链接：wenyusuran.blog.csdn.net/article/details/107333324