33、矩阵分解与混合推荐器的实现

矩阵分解与混合推荐器的实现

矩阵分解相关知识

矩阵分解是一个重要的概念，其中奇异值分解（SVD）是进行矩阵分解的一种方式。它在许多库中被广泛接受，是一种很好的方法。不过，SVD 存在一定的局限性，它要求矩阵是完整的，即没有空单元格。如果矩阵中有空单元格，就需要填充这些单元格，但这并非易事，因为我们往往不知道应该填入什么值。

基线预测器是填充这些空单元格的一种方法，对于物品也是如此。基线预测器还可用于理解用户和物品的偏差。

西蒙·芬克（Simon Funk）首次尝试的方法——Funk SVD，允许我们使用稀疏评分矩阵。梯度下降和随机梯度下降则是解决优化问题的强大工具，比如训练和优化 Funk SVD 所定义的问题。

混合推荐器概述

混合推荐器的核心思想类似于丰田普锐斯汽车，它结合了不同推荐算法的优势，以获得更强大的推荐工具。这种方式不仅能提高平均推荐结果，还能缓解算法在某些特殊情况下表现不佳的问题。

常见的推荐系统有四种类型，它们所使用的数据来源也各不相同，具体如下表所示：
| 推荐系统类型 | 数据来源 |
| ---- | ---- |
| 基于知识的推荐器 | 领域知识 |
| 基于内容的推荐器 | 内容元数据 |
| 基于协同过滤的推荐器 | 行为数据 |
| 基于人口统计的推荐器 | 人口统计数据 |

这些推荐系统通常被单独使用，但在实际应用中，为了提供更好的推荐，往往需要将多种系统进行混合。

混合推荐器的类型

混合推荐器主要分为以下三种类型：
1. 整体式混合推荐器