qq_42725437的博客

其中，Ui​是浏览商品i的用户集合，如果Wu​1，那么就是标准的余弦函数。一般取Wu​log2​3qu​1​，其中qu​是用户浏览的商品数，也就是说用户越活跃贡献越小。但是只是打压了热门用户，没有改变热门商品。

一个好的推荐系统一定有小的RMSERMSEm1​i1∑m​Yi​−fxi​2​希望模型能够在已知的ratings上有好的结果的同时，也希望在未知ratings上能够表现很好（比如用户还没有见过一部电影）。假设有m个items，n个users，我们可以对rating matrix R进行近似，这里R有m行，n列R≈Q⋅PT其中Q为mk，P^T为kn，这个可以理解为隐空间是k维。这样我们就可以利用Q和P去预测R中的缺失值。rxi​qi。

通过仔细设置基线，即使使用简单的贝叶斯矩阵分解，我们也可以优于任何结果——之前报道这种方法在 ML10M 上表现不佳。应用近十年来已知的建模技术，我们能够实现实质性改进 - 从绝对值来看，我们比之前报告的最佳结果 MRMA 比 2017 年提高了 0.0144，与该数据集报告的几年改进幅度相似2。我们的结果对之前 ML10M 实验结果得出的结论提出了质疑。所有最近提出的方法并没有大幅提高基线，而是大大低于众所周知的基线。

rating matrix是推荐系统和协同过滤中的基础概念。

一种新颖的神经网络架构，将权重参数用低维向量通过核方法交互后重参数化。描述了支撑（underpin）该模型的理论，并在推荐系统中应用该神经网络加强结构。