推薦系統(tǒng)中的SVD算法

評分矩陣R也存在這樣一個分解，所以可以用兩個矩陣P和Q的乘積來表示評分矩陣R,其中k為R的秩
R=Puk*Qki

利用R中的已知評分訓(xùn)練P和Q使得P和Q相乘的結(jié)果最好地擬合已知的評分，那么未知的評分也就可以用P的某一行乘上Q的某一列得到了需要預(yù)測的評分
預(yù)測評分
接下里將介紹總的誤差平方和
image.png
在里面Eui表示預(yù)測值和已知值之間的誤差。只要通過訓(xùn)練把SSE降到最小那么P、Q就能最好地擬合R了。那又如何使SSE降到最小呢？一個常用的局部優(yōu)化算法-梯度下降法
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容