回首笑忘傷 3星
共回答了362个问题 评论
MF 是矩阵补全的一种方法,它分解成两个低秩矩阵 ;为甚么要低秩? 因为实际数据分布会存在很多簇或块,这些块就是数据的相似性,偏好。 这也说明 k-means 等聚类算法本质上都是矩阵分解。
从数值计算角度说:
在求解过程中,我们希望获得一个闭解,然而需要求解 ,他们的逆矩阵不一定存在;从MF的结构上说
,参数V\U矩阵是病态矩阵(病态矩阵不可求逆),微小的数据扰动,导致解有很大的差异,模型极其不稳定;吉洪诺夫矩阵(Tikhonov matrix)正则法
;如果使用L2正则,就是我们常常看到的带范数MF模型;求解就变成了; ,从形式上看,就相当与把对角线的值增大,形如 脊、岭回归;PMF方法是假定 U,V 等服从高斯先验;通过通过最大后验概率,获得与带L2范数的MF模型一致形式;说明了 PMF从概率角度很好的解释了MF模型;
BPMF 模型 是在PMF模型上加上 贝叶斯框架,U|V 等的参数的又服从一个分布(类似于LDA模型); PMF模型我们直接是设定超参数;BPMF 认为这样是不合理的,调参也是困难的,将这些超参数的先验置为高斯-威沙特分布。
BPR模型,重点在于分析数据,充分利用偏序关系,构造正反例,然而这也限制了他的正负采样率1:1,即一个正例对应一个反例。其本质还是最大后验概率;
15小时前
猜你喜欢的问题
5个月前1个回答
5个月前1个回答
5个月前1个回答
5个月前2个回答
5个月前1个回答
5个月前2个回答
热门问题推荐
3个月前1个回答
1个月前1个回答
3个月前1个回答
3个月前3个回答
2个月前2个回答
1个月前4个回答
1个月前1个回答
4个月前2个回答
3个月前1个回答