传统的协同过滤法既不能处理大数据量的推荐,也不能处理.docxVIP

传统的协同过滤方法既不能处理大数据量的推荐，也不能处理只有很少评分的用户。这篇论文提出了著名的概率矩阵分解的方法来解决这个问题。概率矩阵分解的思想是以中线性因子模型，它使用与用户相关的系数，将用户的偏好建模成一个一系列向量的线性组合。具体如下： 假设有M个电影和N个用户。R_ij表示第i个用户对电影j的评分。假设隐变量的维度是D，那么我们希望将评分矩阵R分解成两个矩阵，即用户隐矩阵U∈RD×N，和电影隐矩阵V∈RD×M。其中，U_i表示第i个用户的隐向量，V_j表示第j个电影的隐向量。假设评分是一个有高斯噪音的正态分布。那么我们的评分应当有如下公式： 这里的是指高斯分布的概率密度函数。I_ij是指示函数，表明如果用户i评论了电影j，那么其结果等与1，否则就是0。因此，上面的结果就是所有已经被评论的电影得分的乘积，也就是似然函数了。 我们给每个用户和电影的隐向量（特征向量）一个均值为0的高斯先验。有： 这里的I是一个D维单位对角矩阵。那么，用户和电影特征的后验分布计算如下： 对两边取个ln 上面这三项都是形式完全一样，只是系数和均值方差不同，我们以其中一个为例，剩下都一样。即求解 我们给出用户i的概率密度函数： 注意，由于I是对角阵，那么，所以： 类似地，我们可以得到进而我们可以得到最终的公式。公式如下：  最大化后验概率U和V（最大可能性），等价于求下式的最小值： 其中： ?