标签:得分 Filtering based bm AutoRec theta Meet hat
目录概
其实看到推荐系统结合AutoEncoder, 我的第一反应是通过encoder提取特征, 然后利用注入内积的方式来计算得分. 没想到这里是直接预测得分.
主要内容
训练
对于得分矩阵 \(R \in \mathbb{R}^{m \times n}\), 每一行:
\[\bm{r}^{(u)} = (R_{u1}, \cdots, R_{un}) \in \mathbb{R}^n \]表示一个用户的打分, 每一列
\[\bm{r}^{(i)} = (R_(1i), \cdots, R_{mi}) \in \mathbb{R}^m \]表示一个物品的得分. 当然, \(R\)是一个稀疏的矩阵, 我们希望通过自编码预测这些缺失的元素:
\[\hat{\bm{r}} := h(\bm{r};\theta) = f(W g(V\bm{r} + \bm{\mu}) + \bm{b}), \]这个自编码的输入可以是\(\bm{r}^{(u)}\) (user-based) 或者 \(\bm{r}^{(i)}\) (item-based). 我们希望通过下式来使得预测更加准确:
\[\min_{W, V, \bm{\mu}, \bm{b}}\: \sum_{\bm{r}} \|\bm{r} - h(\bm{r}; \theta)\|_{\mathcal{O}}^2 + \frac{\lambda}{2} \cdot (\|W\|_F^2 + \|V\|_F^2), \]其中\(\|\cdot\|_{\mathcal{O}}\)表示仅非缺失(可观测)元素之间进行操作.
预测
我们可以通过:
\[\hat{R}_{ui} = (h(\bm{r}^{(i)}; \theta))_u \]或
\[\hat{R}_{ui} = (h(\bm{r}^{(u)}; \theta))_i, \]这取决于你选择item-based或者user-based的模型.
疑问
这个怎么冷启动呢? 模型的输入的维度都是固定的.
代码
标签:得分,Filtering,based,bm,AutoRec,theta,Meet,hat 来源: https://www.cnblogs.com/MTandHJ/p/16195302.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。