重温经典推荐算法——协同过滤(二)

重温经典推荐算法——协同过滤(二)在上一篇文章中,讲述了memory-based 协同过滤推荐算法,其具体分为基于用户和基于物品两种方式。简而言之,基于用户的推荐,就是找到和你相

欢迎大家来到IT世界,在知识的湖畔探索吧!

在上一篇文章中,讲述了memory-based 协同过滤推荐算法,其具体分为基于用户和基于物品两种方式。

简而言之,基于用户的推荐,就是找到和你相似的用户,把他喜欢的物品推荐给你。基于物品的推荐,就是找到和你喜欢的物品相似的物品,然后推荐给你。其中,最关键的步骤,在于计算用户和用户之间的相似度,以及物品和物品之间的相似度。

重温经典推荐算法——协同过滤(二)

通常,我们会把用户对于物品的行为,抽象成了一个m*n的矩阵,矩阵中的每个元素x(i,j),代表第i个用户对第j个物品的评分,即矩阵中的每一行代表用户对所有的物品评分,每一列代表所有用户对这一物品的评分。

重温经典推荐算法——协同过滤(二)

用户对每个物品的评分,可以看作一个m维向量,可以用其代表用户对物品的偏好,而所有用户对于一个物品的评分,可以看作一个n维向量,可以用其代表这个物品的特性。我们通过计算向量之间的相似度,通常采用杰卡德距离,计算出相似用户和相似物品,然后进行推荐。

这就是Memory-based 协同过滤的基本思想和具体实现过程,但是在实际应用中,存在一些缺陷。

首先,很多场景里,用户和物品的规模都是很庞大的,例如头条、微博、淘宝等APP,其用户物品矩阵的维度往往达到上亿,在计算相似度时,其计算和存储的性能会受到限制,这在实际应用中是不可被接受的。

另外,由于用户对大多数物品是没有行为的,所以矩阵是极为稀疏的,基于上述方式计算相似度时,用户的行为过于稀疏时使得相似度计算不够精准,导致中长尾用户和物品的推荐效果不好。

为了解决上述问题,model-based协同过滤方法被提出。Model-based方法,本质上是将推荐问题转化成一个机器学习预测问题,通过用户对物品的历史评分,来预测用户对于未知物品的评分,并将预测评分最高的物品集合推荐给用户。

算法思想

在2006年,Netflix举办了一个推荐系统比赛,比赛题目就是预测用户对于电影的评分,奖金高达百万美金,引来众多团队参与。其中矩阵分解(Matrix Factorization,MF)方法在比赛中大放异彩,这就是一种model-based方法。

重温经典推荐算法——协同过滤(二)

矩阵分解,直观上讲,我们将用户物品矩阵M,分解成U和V两个矩阵相乘。假设M的维度为m*n,m和n分别是用户数量和物品数量,而分解的子矩阵U的维度是m*k,V的维度是k*n。其中k的值远小于m和n。用户i对于物品j的评分,就等于U的第i行与V的第j列的向量乘积。U的每一行和V的每一列的k维向量,我们称之为隐式向量(Latent Factor Vector)。

重温经典推荐算法——协同过滤(二)

矩阵分解推荐算法的思想,就是将矩阵分解后得到的隐式向量,当作用户和物品的特征向量。区别于显示向量,隐式向量的每一个维度具有不可解释性,但其因为从用户和物品的交互行为中产生,所以我们可以将用户的隐向量看作用户的偏好特征,物品的隐向量看作物品的属性特征,只不过不知道每一维的具体名称。从降维的视角看,用户和物品的隐向量本质上是原始高维向量(即用户物品矩阵每一行和每一列)的一种降维,且保留了最重要的信息。

综上所述,我们得到了用户和物品的隐式向量矩阵,二者相乘,就可以预测出用户对于未知物品的评分。那么矩阵是如何分解的呢?下面介绍。

算法实现

矩阵分解在线性代数中有很多类,其中最为常用的就是SVD矩阵分解。其可以将矩阵A分解成三个矩阵相乘。如图所示,其中左侧矩阵U和V是正交矩阵,中间是对角阵,其对角线每个元素就是矩阵A的奇异值,每个奇异值代表这个维度的向量对于矩阵A的重要性,奇异值越高,其蕴含的信息量越大。

重温经典推荐算法——协同过滤(二)

SVD可以用在数据压缩和降维,在矩阵维度过高时,例如用户物品矩阵,通过SVD矩阵分解成三个子矩阵,然后只保留奇异值最高的k维,抛弃掉其余维度,留下的U(m*k维)和V(n*k维)矩阵,就代表用户和物品的特征矩阵。当我们要预测用户对于某个商品的评分,将三个子矩阵相乘还原为A*(m*n维)。其中,的每一个元素x(i,j),就是用户i对物品j的预测评分。因为是采用截取Topk奇异值的子矩阵,所以计算用户对物品的评分时,计算速度很快。

重温经典推荐算法——协同过滤(二)

但是使用SVD矩阵分解方法依旧存在两个问题,首先,用户物品矩阵是稀疏的,而SVD矩阵分解时要求矩阵是稠密的,于是不得不进行大量的缺失值填充,但这样会导致效果很差。其次,对于大规模矩阵,SVD分解时间复杂度很高,在实际应用中性能无法被接受。

于是,我们采用机器学习方法,利用已知的用户对物品的评分,训练一个回归模型。其原理是,我们初始化一个随机的用户和物品的特征矩阵U和V,将用户和物品向量乘积得到的预测评分,去拟合真实的用户物品评分,利用预测分和真实分的误差平方(MSE)作为损失函数,去不断迭代学习用户和物品的向量矩阵。

具体实现如下,假设用户i对物品j的评分为r,我们将用户i映射到一个k维向量u,物品j映射到一个k维向量v,向量u和v的乘积为用户i对物品j的预测得分r*。这就是一条样本,针对所有的样本,我们可以得到模型的目标函数:

重温经典推荐算法——协同过滤(二)

针对这一目标函数,我们通过梯度下降法进行求解u和v。当预测分和真实分的误差足够小时,我们就可以得到准确的用户和物品的特征向量,进而推算出用户对于未知物品的评分。通常,训练的样本量越大,结果也越准确。

除此之外,我们还可以用户侧加一些bias项,因为不同用户打分的倾向是不同的,有的可能打分偏高,有的偏低,加入bias后可以对此进行平滑,以加大预测的准确性。

总结

以上就是经典的model-based协同过滤,基于矩阵分解的推荐算法,又称作SVD推荐算法。相比于memory-based协同过滤,其推荐的准确率更高。同时,矩阵分解借助机器学习回归模型,避免了直接进行矩阵分解时较高的计算复杂度,用较低的成本学习得到用户和物品的向量矩阵。在实际应用中,模型的训练可以放在离线进行,线上直接用向量进行预测,大大提升了推荐的时效性。

重温经典推荐算法——协同过滤(二)

矩阵分解算法自诞生后,也衍生了很多变种,例如SVD++、TimeSVD、SLIM、FLSM等,这些方法通过加入更多的用户和物品特征、隐式反馈、以及优化目标函数等方式,获得了更好的性能,我们将在后续文章中介绍。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/49759.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

联系我们YX

mu99908888

在线咨询: 微信交谈

邮件:itzsgw@126.com

工作时间:时刻准备着!

关注微信