[论文笔记] 概率矩阵分解：Probabilistic Matrix Factorization

最新推荐文章于 2024-09-24 08:52:49 发布
最新推荐文章于 2024-09-24 08:52:49 发布
阅读量1.8k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文笔记 文章标签： 矩阵 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Trance95/article/details/121209110
本文提出概率矩阵分解（PMF）模型，适用于处理大型、稀疏和不平衡的数据集，如Netflix。PMF模型在预测评分方面表现出色，尤其是对评分较少的用户。通过结合PMF和受限玻尔兹曼机（RBM）模型，实现了比Netflix自身评分更高的准确率。文章还探讨了如何通过自适应先验模型参数控制模型容量以及引入约束条件以优化特定用户群体的预测。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

Abstract

Introduction

MF

PMF

Constrained-PMF

​Result

Abstract

许多现有的协作过滤方法都不能处理 非常大的数据 ,也不容易处理 评分很少的用户。

在本文中，我们提出了 概率矩阵分解(PMF) 模型，该模型 与观测数据的数量成线性关系（为什么线性: 因为一个样本，梯度下降就更新一次参数），更重要的是，在大型、稀疏和非常不平衡的Netflix数据集上表现良好。

我们进一步扩展了PMF模型，以包括一个自适应的先验模型参数，并展示了如何自动控制模型容量。d4

最后，我们介绍了PMF模型的一个受限制的版本，该模型基于这样一个假设:对类似电影集进行评级的用户可能有类似的偏好。
此模型能够对评分很少的用户进行相当好的泛化性能。
当多个PMF模型的预测与预测受限玻尔兹曼机器模型 (怎么结合的:不同模型预测结果的线性组合)，我们实现了一个错误率0.8861，比N

了解本专栏 订阅专栏 解锁全文 超级会员免费看
概率矩阵分解（Probabilistic Matrix Factorization，PMF）
weixin_43156294的博客
06-11 1095
概率矩阵分解（Probabilistic Matrix Factorization，PMF）是一种用于协同过滤推荐系统等领域的技术。它主要用于处理用户-物品评分矩阵，该矩阵通常在推荐系统中用来表示用户对物品的喜好程度。PMF通过将用户和物品映射到低维的潜在特征空间来预测未知的评分。在很多实际应用中，我们有一个用户-物品的评分矩阵，但这个矩阵通常是非常稀疏的。PMF 的基本思想是将用户和物品分别映射到低维的潜在特征空间中。通过这些潜在特征来预测用户对物品的评分。
论文笔记：Probabilistic Matrix Factorization
qq_35771020的博客
03-01 1897
一、基本信息 论文题目：《Probabilistic Matrix Factorization》 发表时间：NIPS 2007 论文作者及单位： 论文地址：https://dl.acm.org/citation.cfm?id=2981720 二、摘要 许多现有的协作过滤方法既不能处理非常大的数据集，也不能轻松处理评级很少的用户。在本文中，我们提出了概率矩阵分解...
Probabilistic Matrix Factorization（概率矩阵分解）
kangxiatao的博客
11-19 2315
《Probabilistic Matrix Factorization》精读笔记 本篇论文作者是多伦多大学计算机科学系的Ruslan Salakhutdinov和Andriy Mnih，发表于2007年NIPS。 文中作者提出概率矩阵分解模型，是现代推荐系统的基础算法之一。 1. 介绍 传统比较流行协同过滤的方法是基于低纬度的因子模型，一个用户的态度或偏好由这些因子可以得到。 简单来说就是用户和电影之间的关系用几个线性组合决定。 例如，对于N个用户和M个电影，N×M的偏好矩阵RRR由一个N×D的用户系
概率矩阵分解（Probabilistic Matrix Factorization）
lzw17750614592的博客
09-14 2万+
摘要 很多现有的协同过滤的方法既不能处理非常大的数据集，也不能容易地应对有非常少的评价的用户。在这篇论文中，我们提出了概率矩阵分解（PMF）模型，它的规模与观察值的数目线性相关，并且更重要的是，它在非常大的、稀疏的和非常失衡的Netflix数据集上表现优异。我们更进一步地扩展PMF模型来包含一个适合的先验在模型参数中并且展示模型能力怎样可以被自动地控制。最后，我们引入一个有约束版本的PMF模型...
Probabilistic Matrix Factorization概率矩阵分解Python源代码
01-12
基于MovieLens数据集，采用随机梯度下降算法优化最小化能量函数的概率矩阵分解Python源代码，自己做实验的源代码Probabilistic Matrix Factorization
线性代数笔记：概率矩阵分解 Probabilistic Matrix Factorization （PMF）
qq_40206371的博客
10-13 2214
概率矩阵分解模型可以解决大规模、稀疏且不平衡的数据。 1 PMF的两点假设 1.1.观测噪声(观测评分矩阵和近似评分矩阵之差)服从高斯噪声的正态分布 观测评分矩阵是ground truth的矩阵，我们记为R；近似评分矩阵是通过矩阵分解的方法求得的矩阵 由这一条假设我们知道，R与之间的差距服从零均值的高斯分布，也即： 将移到右边去，有： · 而在矩阵分解问题里面，观测评分矩阵可以表示...
论文笔记：SoRec: Social Recommendation Using Probabilistic Matrix Factorization
qq_35771020的博客
03-02 3475
一、基本信息 论文题目：《SoRec: Social Recommendation Using Probabilistic Matrix Factorization》 发表时间：CIKM 2008 论文作者与单位： 论文地址：https://dl.acm.org/citation.cfm?id=1458205 二、摘要 数据稀疏性、可扩展性和预测质量已被公认为每...
【推荐系统】概率矩阵分解 probabilistic matrix factorization
Robin_S
11-14 3001
前言： PMF沿用了MF矩阵分解的思路， 目标都是求出精确的U和V 在传统MF方法中，优化目标是保证R和UV乘积的差值最小 而在PMF中，R和UV的差值变成了一个高斯概率函数，通过最大后验概率MAP公式，将优化目标变成了对一个包含R和UV差值的复杂概率函数，在对其求解时来反求U和V，即反求使目标函数最大的U和V 同时，在PMF中，U和V变成了参数可以被
Probabilistic Matrix Factorization
11-22
Probabilistic Matrix Factorization NIPS 2008（神经信息处理系统进展大会） Conference on Neural Information Processing Systems
用概率矩阵分解构建音乐推荐引擎（Pytorch）
04-03
用概率矩阵分解构建音乐推荐引擎（Pytorch）,Building a Music Recommendation Engine with Probabilistic Matrix Factorization in PyTorch, by Cameron Wolfe.
概率矩阵分解（PMF）在MovieLens上的Python代码
03-12
概率矩阵分解（PMF）在数据集Movielens 100K上的实验。
吉布斯采样matlab代码-Bayesian-Probabilistic-Matrix-Factorization:贝叶斯概率矩阵分解
05-28
吉布斯采样matlab代码
梯度法正则化代码matlab-Probabilistic-matrix-factorization-in-Python:Python中的概率矩
06-17
伽法正则化代码matlab Python 中的概率矩阵分解 (PMF) 参数： num_feat：潜在特征的数量， epsilon：学习率， _lambda：L2 正则化， 动量：梯度的动量， maxepoch：停止前的纪元数， num_batches：每个时期的批次数（用于 SGD 优化）， batch_size：每批使用的训练样本数（用于 SGD 优化） 方法： 适合（train_tuple，val_tuple） 使用 train_tuple 拟合模型并在训练和验证数据上评估 RMSE。 输入元组格式：(userID, movieID, rating) # 推荐0-index ID 输出：U 和 V 矩阵、训练的 RMSE 误差和每个时期后的验证。 预测（用户 ID） 预测给定用户的所有电影的评分。 set_params(parameter_dict) 通过提供参数字典来设置参数。 辅助功能： def wrap_Parameters（num_feat，epsilon，_lambda，momentum，maxepoch，num_batches，batch_size）： 返回{“num
【推荐系统算法】PMF(Probabilistic Matrix Factorization)
热门推荐
shenxiaolu1984的专栏
01-27 4万+
细读论文：现代推荐系统的基础算法之一PMF。
概率矩阵分解及ALS算法实现
longmaohu的博客
03-02 1016
推荐系统中最为主流与经典的技术之一是协同过滤技术（Collaborative Filtering），其中基于模型的协同过滤技术中尤为矩阵分解（Matrix Factorization）技术最为普遍和流行，因为它的可扩展性极好并且易于实现。矩阵分解在协同过滤共现矩阵的基础上，使用更稠密的隐向量表示用户和物品，挖掘用户和物品的隐含兴趣和隐含特征。
概率图模型学习（一）：概率图矩阵分解
yifan_clifford的专栏
07-30 3515
最近在学习概率图模型，将所学知识根据自己的理解分享一下，因为初学，如果理解不到位，或者太简单，望理解。概率矩阵分解（probabilistic matrix factorization）建模与表示实际上就是将RR矩阵分解为U,VU,V矩阵的乘积，假设R,U,VR,U,V都是服从正态分布，并作以下假设即： Rij∼N(UTiVj,σ2)Ui∼N(0,σ2UI)Vj∼N(0,σ2VI) \begin{
Probabilistic-Matrix-Factorization 项目教程
最新发布
gitblog_00006的博客
09-24 328
Probabilistic-Matrix-Factorization 项目教程 1、项目介绍 Probabilistic-Matrix-Factorization 是一个基于概率矩阵分解（Probabilistic Matrix Factorization, PMF）的推荐系统项目。该项目通过分解用户-物品评分矩阵，预测用户对未评分物品的评分，从而实现个性化推荐。PMF 是一种经典的推荐算法，广泛...
论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo （ICML 2008）
qq_40206371的博客
10-20 800
0 摘要 低秩矩阵逼近方法是协同过滤中最简单、最有效的方法之一。这类模型通常通过寻找模型参数的MAP估计来拟合数据，这一过程即使在非常大的数据集上也能有效地执行。 然而，除非正则化参数被仔细地调整，否则这种方法很容易过度拟合，因为它找到了参数的单点估计。 本文给出了概率矩阵分解(PMF)模型的完全贝叶斯处理方法，该方法通过对所有模型参数和超参数进行整合使用来自动控制模型容量。 我们表明，贝叶斯PMF模型可以有效地训练使用马尔可夫链蒙特卡...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心心喵

喵喵(*^▽^*）

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值