无监督-主题模型(TM)/隐语义模型(LFM)(一):矩阵分解(MF) --> 奇异值分解(SVD)【R_{m×n}=P_{m×k}×Q_{k×n}】-->求解最优P、Q:梯度下降算法 / ALS算法
算法 -- 模型 矩阵 主题 求解 语义 分解
2023-09-27 14:20:37 时间
“主题模型”与“隐语义模型”的关系:
在项亮的《推荐系统实战》中曾提到:隐语义模型(Latent-Factor Model,以下简称LFM)的算法最早是在文本挖掘领域被提出来的,用于找出文本的隐含语义。而在文本挖掘领域,主题模型(Topic Model,以下简称TM)正是用于找出文本中的隐含主题。由此可以推断LFM是由TM演变而来,TM是文本挖掘领域的专有名词,而LFM是推荐系统领域的专有名词,但其算法思想却是一致的。
矩阵分解(Matrix Factorization)方式:
- 矩阵的谱分解(可对角化矩阵——满秩可逆)
- 矩阵的LU分解(n阶方阵,不一定存在)
- Chelesky分解(实正定矩阵)
- 满秩分解(LR)(m*n矩阵)(不唯一,总存在)
- 矩阵QR分解(可逆矩阵存在)(唯一)
- 矩阵的奇异值分解(普适性很强,要求很低)
- 极分解(方阵,如果A可逆,则唯一)
Singular Value Decomposition 奇异值分解 是矩阵分解(Matrix Factorization)的一种。
一、矩阵因子分解
假设用户物品评分矩
相关文章
- 算法实现c语言--03
- Gradio-gradio:轻松实现AI算法可视化部署
- 基于递归算法,树形结构数据下业务场景,封装解决方法
- 基于prony算法的参数辨识算法的仿真——简化版
- ECG信号的基线滤波算法matlab源码
- C#,机器学习的KNN(K Nearest Neighbour)算法与源代码
- 【c/c++】刷算法题时常用的函数手册 持续更新--
- 并发编程--常见的限流算法及示例
- javascript数据结构与算法:数组
- 浅析什么是哈希算法/散列函数/哈希函数
- stm32工程和算法分享(6)--按键开关灯
- 哈理工 oj 2122 旅行(map + 最短路dij算法)
- 实例分解神经网络反向传播算法(转)
- java实现迷宫算法--转
- 手把手系列--编写STM32CubeProgrammer的外部Flash下载算法
- 和算法渣一起练习--利用位运算,轻轻松松就能解决数学里的子集问题
- 小白带你学--回溯算法