非参数贝叶斯泊松矩阵分解

lee813

于 2016-08-23 11:42:53 发布

阅读量2.5k

点赞数

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/lee813/article/details/52289572

版权

本文介绍了Prem Gopalan的《Bayesian Nonparametric Poisson Factorization for Recommendation Systems》。该文提出了一种非参数贝叶斯泊松矩阵分解方法（BNPPF），利用用户产品矩阵的稀疏性，适用于大型数据集。通过γ分布生成无限维、非负的用户和物品权重，并采用增强版的stick-breaking方法实现权重排序。变分推断用于进行推断，降低了计算复杂性。这种方法特别关注处理观测数据中的零值，并通过泊松辅助变量zui,k捕获边缘分布信息。" 127435430,12464388,I.MX6U嵌入式硬件开发教程：从裸机到汇编LED驱动,"['嵌入式硬件', 'ARM', 'Cortex-A', 'I.MX6U', 'Linux']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

记录一下Prem Gopalan的这篇文章：
《Bayesian Nonparametric Poisson Factorization for Recommendation Systems》

优势：
1.PF把所有的零作为观测数据，隐式地把矩阵中的零作为用户资源的一个限制
2.PF只在用户观测矩阵中的已经观看过的数据中循环。这样可以利用用户产品矩阵的稀疏性，可以运用在大型的数据集上
BNPPF
$\beta_{ik} \sim Gamma(a,b)$
$\beta_{ik}$ 是item的参数
$\theta_{uk} \sim Gamma(c,d)$
$\theta_{uk}$ 是user的参数
观测数据 $y_{ui}$ 是从一个以 $\theta_u^T$ 和 $\beta_i$ 为参数的泊松分布中随机抽取的。
yui∼Poisson(θTu∗βi

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。