當(dāng)今這個(gè)信息爆炸的社會(huì)，每個(gè)人都會(huì)面對(duì)無(wú)數(shù)的商品，無(wú)數(shù)的選擇。而推薦算法的目的幫助大家解決選擇困難癥的問(wèn)題，在大千世界中推薦專屬于你的商品。

推薦系統(tǒng)算法簡(jiǎn)介

這里簡(jiǎn)單介紹下推薦系統(tǒng)中最為主要的協(xié)同過(guò)濾算法，大致分為如下幾類：

• 基于用戶的協(xié)同過(guò)濾（給用戶推薦與他相似的人購(gòu)買的物品）
• 基于商品的協(xié)同過(guò)濾（給用戶推薦和他之前喜歡的物品相似的物品）
• 基于模型的協(xié)同過(guò)濾：關(guān)聯(lián)算法，聚類算法，分類算法，回歸算法，矩陣分解，神經(jīng)網(wǎng)絡(luò),圖模型以及隱語(yǔ)義模型都屬于這個(gè)范疇。

而本次實(shí)戰(zhàn)使用的是矩陣分解算法。
矩陣分解其實(shí)是數(shù)學(xué)上的一個(gè)經(jīng)典問(wèn)題。大家從線性代數(shù)中可以知道，矩陣可以做SVD分解、Cholesky分解等，就好比任何大于1的正整數(shù)都可以分解成若干質(zhì)數(shù)的乘積，矩陣分解可以認(rèn)為是一種信息壓縮。下圖是一個(gè)用戶電影評(píng)分矩陣。矩陣的每行表示一個(gè)用戶，每列表示一部電影，矩陣中每個(gè)位置的值，代表某個(gè)用戶對(duì)某個(gè)電影的評(píng)分值。

矩陣分解

 

• R矩陣:用戶對(duì)電影的評(píng)分組合矩陣，
• 用戶矩陣，每一個(gè)被壓

總結(jié)

以上是生活随笔為你收集整理的推荐算法矩阵分解实战——keras算法练习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。