推荐算法矩阵分解实战——keras算法练习
【摘要】
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...
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
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)