ALS数学点滴
其中,$n_{u_i}$表示用户$i$评分的电影数目,$n_{m_j}$表示对电影$j$评分的用户数目。设$I_i$表示用户$i$所评分的电影集合,则$n_{u_i}$是$I_i$的基数,同样的,$I_j$表示对电影$j$评分的用户集合,$n_{m_j}$是$I_j$的基数。这对应于Tikhonov正则化中的$\Gamma_U=diag(n_{u_i})$和$\Gamma_M=diag(n_{m_j})$
设$U=[\mathbf{u}_i]$为用户特征矩阵,$M=[\mathbf{m}_j]$为电影特征矩阵。
我们在$M$给定的情况下来求解$U$。$U$中某一列$u_i$是通过求解一个正则化线性最小二乘问题确定的,该问题的求解需要已知的用户$i$的评分,以及用户$i$参与评分的电影的特征向量$m_j$.
用户特征矩阵的每一列的解$\mathbf{u}_i$如下:
$$\mathbf{u}_i=A_i^{-1}V_i$$
该解对应的原始方程为:$$A_i \mathbf{u}_i=V_i$$
其中,$A_i=M_{I_i}M_{I_i}^T+\lambda n_{u_i}E$ ,$V_i=M_{I_i}R^T(i,I_i)$。$E$是一个$n_f\times n_f$单位矩阵。$M_{I_i}$是电影特征矩阵的一个子矩阵,其中只选取$j\in I_i$的列。$I_i$是用户$i$所评分的电影集合。$R(i,I_i)$是原始user-movie矩阵$R$中第$i$行的向量,该行中只选取$j\in I_i$的列中的元素。
同样的,更新电影特征矩阵$M$的公式为:
$$\mathbf{m}_j=A_j^{-1}V_j,\forall j$$
其中,$A_j=U_{I_j}U_{I_j}^T+\lambda n_{m_j}E$,$V_j=U_{I_j}R(I_j,j)$。$U_{I_j}$是用户特征矩阵$U$的子矩阵,其中只选取$i\in I_j$的列。$I_j$表示对电影$j$评过分的用户集合。$R(I_j,j)$是原始user-movie矩阵$R$的第$j$列向量,该列中只选取$i\in I_j$的行中的元素。
设用户矩阵和电影矩阵的特征数量为$n_f$,对电影$j$评过分的用户有$k$个,则$U_{I_j}$为一个$n_f\times k$的矩阵,$R(I_j,j)$为一个$k\times 1$的列向量。$V_j=U_{I_j}R(I_j,j)$为一个$f\times k \cdot k\times 1=f\times 1$的矩阵。
设用户数量$n_u=3$,电影数量$n_m=4$,用户以及电影的特征维度$n_f=2$。则user-movie评分矩阵$R$(Rating)为:
$$R=\begin{bmatrix}
r_{11} & r_{12} & r_{13} & r_{14} \\
r_{21} & r_{22} & r_{23} & r_{24} \\
r_{31} & r_{32} & r_{33} & r_{34}
\end{bmatrix}$$
若矩阵$R$是稀疏的,那么其形式可能如下:
$$R=\begin{bmatrix}
& r_{12} & r_{13} & r_{14} \\
r_{21} & & & r_{24} \\
& r_{32} & r_{33} &
\end{bmatrix}$$
用户特征矩阵$U$为:
$$U=\begin{bmatrix}
u_{11} & u_{12} & u_{13} \\
u_{21} & u_{22} & u_{23}
\end{bmatrix}$$
电影特征矩阵$M$为:
$$M=\begin{bmatrix}
m_{11} & m_{12} & m_{13} & m_{14} \\
m_{21} & m_{22} & m_{23} & m_{24}
\end{bmatrix}$$
显然,我们要求解的是用户特征矩阵$U$和电影特征矩阵$M$。
求解用户特征矩阵$U$的时候要固定电影特征矩阵$M$,用求得的$U$再去求$M$,如此迭代,直到$RMSE$在设定范围之内即可,此时$U$和$M$收敛到一个局部最优解。
可将$U$表为$U=[\mathbf{u}_i], i=1,2,3$。即:
$$U=
\begin{bmatrix}
\mathbf{u}_1 & \mathbf{u}_2& \mathbf{u}_3
\end{bmatrix}
$$
调用上面的求解公式$\mathbf{u}_i=A_i^{-1}V_i$,其中$A_i=M_{I_i}M_{I_i}^T+\lambda n_{u_i}E$ ,$V_i=M_{I_i}R^T(i,I_i)$,则:
$$\mathbf{u}_1=A_1^{-1}V_1$$
以上面的稀疏矩阵为例,求解$[\mathbf{u}_i], i=1,2,3$时,$I_1=\{2,3,4\}$,$I_2=\{1,4\}$,$I_3=\{2,3\}$。$n_{u_1}=3$,表示用户$u_1$评过分的电影有3部,设用户$u_i$评过分的电影有$k$部,那么$I_i$的个数为$k$,$M_{I_i}$为一个$n_f \times k$的矩阵,$M_{I_i}M_{I_i}^T$为一个$n_f \times n_f$的矩阵。$R(i,I_i)$为$u_i$所对应的评分向量,该向量的维度为$k$,因为只取了$j \in I_i$中的元素,所以$R(i,I_i)$为$1 \times k$行向量,$R^T(i,I_i)$为$k \times 1$列向量。
例如:
$$
\begin{align*}
A_1 &= M_{I_1}M_{I_1}^T+\lambda n_{u_1}E \\
&= \begin{bmatrix}
m_{12} & m_{13} & m_{14} \\
m_{22} & m_{23} & m_{24}
\end{bmatrix}
\cdot
\begin{bmatrix}
m_{12} & m_{22} \\
m_{13} & m_{23} \\
m_{14} & m_{24}
\end{bmatrix}
+\lambda n_{u_1}
\cdot
\begin{bmatrix}
1 & 0 \\
0 & 1
\end{bmatrix} \\
\\
V_1 &= M_{I_1}R^T(1,I_1) \\
&= \begin{bmatrix}
m_{12} & m_{13} & m_{14} \\
m_{22} & m_{23} & m_{24}
\end{bmatrix}
\cdot
\begin{bmatrix}
r_{12} & r_{13} & r_{14}
\end{bmatrix}^T \\
&= \begin{bmatrix}
m_{12} & m_{13} & m_{14} \\
m_{22} & m_{23} & m_{24}
\end{bmatrix}
\cdot
\begin{bmatrix}
r_{12} \\
r_{13} \\
r_{14}
\end{bmatrix}
\end{align*}
$$
这样即可求出$\mathbf{u}_1$,类似可求出$\mathbf{u}_2, \mathbf{u}_3$
好了,这样就求出了$U$,此时在用$U$去求解$M$,求解公式为:$\mathbf{m}_j=A_j^{-1}V_j,\forall j$。其中,$A_j=U_{I_j}U_{I_j}^T+\lambda n_{m_j}E$,$V_j=U_{I_j}R(I_j,j)$。需要注意的是这里的$I_j$与上面的$I_i$指代的内容有所区别,上面的$I_i$表示用户$u_i$所评分的电影集合,$I_i$中的元素个数小于等于电影的总数,即$size(I_i)\le n_m$,而这里的$I_j$表示对电影$j$评过分的用户个数,所以$I_j$中的元素个数小于等于用户的总数,即$size(I_j)\le n_u$。
这次以求解$\mathbf{m}_3$为例。$I_3=\{1,3\}$,$n_{m_3}=2$表示给电影$m_3$评过分的用户有2个。
$$
\begin{align*}
A_3 &= U_{I_3}U_{I_3}^T+\lambda n_{m_3}E \\
&= \begin{bmatrix}
u_{11} & u_{13} \\
u_{21} & u_{23}
\end{bmatrix}
\cdot
\begin{bmatrix}
u_{11} & u_{13} \\
u_{21} & u_{23}
\end{bmatrix}^T
+\lambda n_{m_3}
\cdot
\begin{bmatrix}
1 & 0 \\
0 & 1
\end{bmatrix}\\
\\
V_3 &=U_{I_j}R(I_j,j) \\
&=\begin{bmatrix}
u_{11} & u_{13} \\
u_{21} & u_{23}
\end{bmatrix}
\cdot
\begin{bmatrix}
r_{13} \\
r_{33}
\end{bmatrix}
\end{align*}
$$
如此,便可求出$\mathbf{m}_3=A_3^{-1}V_3$。类似可求出$\mathbf{m}_1, \mathbf{m}_2, \mathbf{m}_4$。
原始论文:http://www.grappa.univ-lille3.fr/~mary/cours/stats/centrale/reco/paper/MatrixFactorizationALS.pdf
ALS数学点滴的更多相关文章
- 数学复习 ---- Mathematics Notes: A Programmer's Perspective ---- by Orzer ---- 我是沙茶
今年是好没长进的一年呢..只学了些基本的方法.. 本文记号0] x:p x类型为p1] f(x) 表示一个函数2] (n_1,n_2,...) 表示多元组,特别的,(n)表示一个一元组3] x 表示一 ...
- SQL点滴25—T-SQL面试语句,练练手
原文:SQL点滴25-T-SQL面试语句,练练手 1. 用一条SQL语句查询出每门课都大于80分的学生姓名 name kecheng fenshu 张三 语文 81张三 ...
- ALS音乐推荐(上)
本篇文章的开头笔者提出一个疑问,何为数据科学,数据科学是做什么的?大家带着这个疑问去读接下来的这篇音乐推荐的公众号. 从经验上讲,推荐引擎属于大规模机器学习,在日常购物中大家或许深有体会,比如:你在淘 ...
- 【机器学习笔记一】协同过滤算法 - ALS
参考资料 [1]<Spark MLlib 机器学习实践> [2]http://blog.csdn.net/u011239443/article/details/51752904 [3]线性 ...
- Spark MLlib回归算法------线性回归、逻辑回归、SVM和ALS
Spark MLlib回归算法------线性回归.逻辑回归.SVM和ALS 1.线性回归: (1)模型的建立: 回归正则化方法(Lasso,Ridge和ElasticNet)在高维和数据集变量之间多 ...
- Spark Mllib里的协调过滤的概念和实现步骤、LS、ALS的原理、ALS算法优化过程的推导、隐式反馈和ALS-WR算法
不多说,直接上干货! 常见的推荐算法 1.基于关系规则的推荐 2.基于内容的推荐 3.人口统计式的推荐 4.协调过滤式的推荐 (广泛采用) 协调过滤的概念 在现今的推荐技术和算法中,最被大家广泛认可和 ...
- 机器学习(十三)——机器学习中的矩阵方法(3)病态矩阵、协同过滤的ALS算法(1)
http://antkillerfarm.github.io/ 向量的范数(续) 范数可用符号∥x∥λ表示. 经常使用的有: ∥x∥1=|x1|+⋯+|xn| ∥x∥2=x21+⋯+x2n−−−−−− ...
- spark 机器学习 ALS原理(一)
1.线性回归模型线性回归是统计学中最常用的算法,当你想表示两个变量间的数学关系时,就可以用线性回归.当你使用它时,你首先假设输出变量(相应变量.因变量.标签)和预测变量(自变量.解释变量.特征)之间存 ...
- 数学思想:为何我们把 x²读作x平方
要弄清楚这个问题,我们得先认识一个人.古希腊大数学家 欧多克索斯,其在整个古代仅次于阿基米德,是一位天文学家.医生.几何学家.立法家和地理学家. 为何我们把 x²读作x平方呢? 古希腊时代,越来越多的 ...
随机推荐
- 解决 dyld: Library not loaded:Reason: image not found
在使用第三方framework时,直接把framework拖到项目中,运行时报错: dyld: Library not loaded: @rpath/ZipZap.framework/ZipZap R ...
- C# 窗体靠近屏幕边缘自动隐藏*学习(类似于QQ)
using System; using System.Collections.Generic; using System.Drawing; using System.Windows.Forms; us ...
- js 的其它运算符和优先级
三元运算符: 语法为 exp1? exp2:exp3 判断 exp1是true 和 false 如果true,则返回exp2 ,如果false ,则返回exp3 <script> if ...
- html5 实现手机端相册浏览功能
原文地址:http://www.cootm.com/?p=710 在网上找到个浏览图片的jq插件,针对手机做的非常不错,看到乐享的微信微站新开发的功能就是这个,特此分享下! 时间匆忙,没做代码分析,勿 ...
- cygwin编译ffmpeg移植到android平台问题集锦
编译环境: windows xp Cygwin 1.1.3.1 NDK r9 1.提示各种command not found 比如 ./config.sh: line 6: $'--arch=arm\ ...
- ps批量修改图片
批量更改图片尺寸的ps脚本 高端干货!PHOTOSHOP实用脚本大合集
- 转:PHP的线程安全ZTS与非线程(NTS)安全版本的区别
原文来自于:http://blog.sina.com.cn/s/blog_94c21e8f0101s2ic.html Windows版的PHP从版本5.2.1开始有Thread Safe(线程安全)和 ...
- oracle 中使用触发器自动生成UUID
create or replace trigger tri_test before insert on test for each row declare begin if :new.uuid is ...
- sublime text3入门笔记以及屏蔽sublime自动升级检测更新
两个月前学习python的时候,有人推荐这个程序员最好用的编辑器,我下载了之后,发现比notepad++要好用很多,目前来说,网上成熟的版本是sublime text2简体中文版,插件也是很兼容,我用 ...
- Unity 网络斗地主 牌的一些算法
Unity 网络斗地主 牌的一些算法 在这儿说一下,我的项目是用svn的方式,上传在https://v2.svnspot.com/18666451713.doudizhu这个svn上,大家可以下载T ...