本文介绍了推荐系统中的基于模型方法，特别是增量式的SVD算法。该算法通过找出对特定物品评分的用户，利用降维矩阵计算用户间的相似度，进而预测新用户对未评分物品的评分。原始矩阵的用户评分向量通过SVD投影到低维空间，计算用户之间的欧式距离，以实现高度可扩展的推荐系统。
推荐系统分为基于内容、基于CF（基于内存和基于模型）、混合推荐。下面为基于模型的CF推荐系统
一、推荐算法的分类
二、基于模型的推荐算法中的MF--family
三、增量式的SVD算法
参考Incremental Singular Value Decomposition Algorithms for Highly Scalable Recommender Systems
基本思想：
1) 从原始矩阵A中找出对Item=y评过分的所有用户；
2) 使用降维矩阵，找出对Item=y评过分的与User=x最相近的那个User；
（欧式距离）
3) 从原始矩阵中获取最相似用户对Item=y的评分，并把这个评分当做
User=x对Item=y的评分
如果User=x已经在降维矩阵中，则按上面步骤计算；
如果User=x是一个新的用户，在计算相似度之前，这个新用户必须冲n维空间投影到k维空间中。
原来的用户的评分向量Nu(1xn)是在V空间中（n维），将其与Vk矩阵相乘就知
扫一扫
606
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
