1. 思考兩個(gè)問(wèn)題

目錄：

1. 分析sgd為什么沒(méi)有提升
2. 對(duì)照英豪的文檔，推論細(xì)節(jié)

1. 分析sgd為什么沒(méi)有提升

下面將從兩個(gè)方面來(lái)探討

1. 首先傳統(tǒng)模型是有解釋性的，那么可以從這方面挖掘一下為什么沒(méi)有提升嗎？
2. 那么是否數(shù)據(jù)集有影響呢？

先說(shuō)結(jié)論：

1. 矩陣分解解釋性并不強(qiáng)，因此這條路不行
2. 數(shù)據(jù)集可能有影響，但還未實(shí)驗(yàn)驗(yàn)證

• 首先傳統(tǒng)模型是有解釋性的，那么可以從這方面挖掘一下為什么沒(méi)有提升嗎？

  參考文章，分別對(duì)應(yīng)下面的 1 , 2 , 3 點(diǎn)：

  1. 推薦系統(tǒng)(6)—SVD和SVD++

  2. 基于矩陣分解的推薦算法

  3. 融合社交信息的矩陣分解推薦方法研究綜述

• 那么是否數(shù)據(jù)集有影響呢？

1. 可以嘗試其他數(shù)據(jù)集，如

   • FilmTrust 是一個(gè)基于信任關(guān)系的電影推薦網(wǎng)站,用戶(hù)能夠依據(jù)自身偏好對(duì)電影做出評(píng)分,同時(shí)構(gòu)建單向信任關(guān)系
   • Ciao 數(shù)據(jù)集(http://www.jiliang.xyz/trust.html)由 Tang 等人于物品評(píng)論網(wǎng)站 Ciao 收集所得
   • Epinions 數(shù)據(jù)集(http:// www.trustlet.org/downloaded epinions.html)
   • Douban 數(shù)據(jù)集(https://www.cse.cuhk.edu.hk/irwin.king.new/pub/data/douban)

2. 數(shù)據(jù)集中，用戶(hù)們不同社交關(guān)系強(qiáng)度，具體驗(yàn)證方式參考：融合社交信息的矩陣分解推薦方法研究綜述

3. 數(shù)據(jù)集中，不同的用戶(hù)可以被用來(lái)進(jìn)一步提高推薦質(zhì)量嗎？

   • 需要進(jìn)一步論證

2. 對(duì)照英豪的文檔，推論細(xì)節(jié)

看了之后，我在想我之前得出來(lái)的結(jié)果是否有細(xì)節(jié)含在其中呢，那么下面就是我的一些想法。

先說(shuō)結(jié)論：

添加相似度后，模型的泛化能力進(jìn)一步提高，不容易過(guò)擬合。就是說(shuō)長(zhǎng)期收益增加了。

2.1 SGD的對(duì)比結(jié)果及總結(jié)想法

下面表格是對(duì)比結(jié)果，模型共兩個(gè)：baseline 和 添加相似度的 SGD

• 名詞解釋?zhuān)?
  • Iteration：迭代次數(shù)
  • train_mse：訓(xùn)練集訓(xùn)練時(shí)的 MSE
  • test_mse：測(cè)試集測(cè)試時(shí)的 MSE

從表格中可以得到的信息是，在隨著訓(xùn)練迭代次數(shù)的增加，添加相似度的 SGD 算法與原本未加相似度的 SGD 算法的差距一直再減少，并最終在迭代次數(shù)為 200 時(shí)，test_mse 的結(jié)果比未加的提升了。

我想的是，這結(jié)果表明添加相似度后，模型的泛化能力進(jìn)一步提高，不容易過(guò)擬合。