2 ruoyeknight RuoYeKnight 于 2016.01.20 20:28 提问

关于推荐系统的UV分解的问题

图片说明

图中的这个UV分解先计算了U的第一行第一列的元素,那接下来的计算顺序是什么呢?
是U的第一行第二列的元素吗?
这图后面有写row-by-row,这个词的意思是先对U进行row-by-row然后对V进行column-by-column吗?

补两张图,谢谢各位
图片说明
图片说明

1个回答

caozhy
caozhy   Ds   Rxr 2016.01.20 20:30
RuoYeKnight
RuoYeKnight 回复caozhy: - -我的错,这图截得太差了。。。重新贴一张
2 年多之前 回复
RuoYeKnight
RuoYeKnight 回复caozhy: 不,这个矩阵乘法是推荐系统的UV分解的步骤之一,这一步计算的是U矩阵的第一行第一列的元素,这个矩阵式的目的是计算出X的值,得到X的值后还要继续估计U和V矩阵。。。
2 年多之前 回复
caozhy
caozhy 回复RuoYeKnight: 你这个图就是矩阵乘法啊,没有任何别的信息。
2 年多之前 回复
RuoYeKnight
RuoYeKnight 我记得你,好久不见了
2 年多之前 回复
RuoYeKnight
RuoYeKnight 不不,我不是看不懂这个图。我想问的是在对U的第一行第一列的元素进行计算后,下一步要算哪个元素。。
2 年多之前 回复
Csdn user default icon
上传中...
上传图片
插入图片
准确详细的回答,更有利于被提问者采纳,从而获得C币。复制、灌水、广告等回答会被删除,是时候展现真正的技术了!
其他相关推荐
浅谈矩阵分解在推荐系统中的应用
矩阵分解算法在推荐系统利用的应用,详细介绍应用方法,及目标函数的推导过程。
UV分解
原理: 将 M(n*m) 分解为 U(n*d) V(d*m) 。 目的: 最大化的拟合M已知点,以预测M的未知点。 评估: 已知点的 RMSE (最小化误差平方和)。 寻优: 梯度方法(也可其他) 过拟合: 多次或组合方式
【机器学习】推荐系统、SVD分解降维
推荐系统: 1.基于内容的实现:KNN等 2.基于协同滤波(CF)实现:SVD → pLSA(从LSA发展而来,由SVD实现)、LDA、GDBT         SVD算是比较老的方法,后期演进的主题模型主要是pLSA和LDA。pLSA主要基于EM最大期望算法,而LDA主要基于Gibbs抽样算法,这个在下一篇文章《主题模型》里会详细介绍。   一、推荐系统         推荐系统实
奇异值分解SVD在简单推荐系统中的应用
说到奇异值分解SVD,对机器学习有所了解的朋友都或多或少了解一些,无非就是将原始数据按照一定规则分解为三个矩阵,其中中间的矩阵的对角元素就是“奇异值”,是按照小大到小的顺序排列的。我们可以按照一定的方法选择最重要的前几个奇异值,同时相应地删减第一个和第二个矩阵的某些行和列。这样,删减后的三个矩阵相乘后,可以重构出一个数据矩阵,而这个矩阵和原始数据矩阵在一定程度上相差无几,从而达到了降维和简化运算的
推荐系统之矩阵分解
本文将给大家介绍一下如何利用矩阵分解来做推荐系统算法。
机器学习(5) 推荐 矩阵分解(Matrix Factorization)
稍微看了一些关于推荐方面的资料,做一下简单的总结。 推荐任务定义: 在一个标准推荐任务中,我们有mm个用户(user),nn个物品(item),以及一个稀疏评分矩阵R(R∈Rm∗n)R(R\in R^{m*n})。RR中每个RijR_{ij}表示用户ii对于物品jj的评分。如果Rij≠0R_{ij} \neq 0,那么说明用户ii有对物品jj的评分,反之则没有。每一个用户ii可以
数据挖掘基础知识-矩阵(分解)
1. 矩阵知识: //特征值,行列式,秩,对称矩阵,单位矩阵,正定半正定,雅可比等等!! 正交矩阵: 如果:AA'=E(E为单位矩阵,A'表示“矩阵A的转置矩阵”。)或A′A=E,则n阶实矩阵A称为正交矩阵, 若A为正交阵,则满足以下条件: 1) AT是正交矩阵 2)  (E为单位矩阵) 3) A的各行是单位向量且两两正交 4) A的各列是单位向量且两两正交 5) (Ax
推荐系统-矩阵分解原理详解
目前推荐系统中用的最多的就是矩阵分解方法,在Netflix Prize推荐系统大赛中取得突出效果。以用户-项目评分矩阵为例,矩阵分解就是预测出评分矩阵中的缺失值,然后根据预测值以某种方式向用户推荐。常见的矩阵分解方法有基本矩阵分解(basic MF),正则化矩阵分解)(Regularized MF),基于概率的矩阵分解(PMF)等。今天以“用户-项目评分矩阵R(N×M)”说明三种分解方式的原理以及应用。
随机梯度下降求解矩阵分解的sample(M=UV类型分解)
以下是代码,3小时搞定,完成的一刻,非常喜悦。原始矩阵可以理解为5个用户对5件衣服的点评,其中用户1,2对第5件衣服打高分,因为第五件衣服好看。用户3,4,5对第一件衣服打高分,因为价格便宜,因此这个矩阵可以分解为5*2,2*5的两个矩阵(2表示2个因素,色彩和价格)运行过程中错误在不断减少,表明算法的有效性。 code 很hard不比拼code质量,只求算法正确性。 view plain
斯坦福大学机器学习笔记——推荐系统(协同过滤、低秩分解、推荐系统)
这个博客让我们来讨论一下推荐系统,首先我们来讨论一下为什么学习推荐系统: 1. 推荐系统是机器学习中的一个重要应用,它已经用于很多企业中,比如淘宝、今日头条、亚马逊等。它们会根据你的浏览记录,当你再次访问时,会给你推荐一些你感兴趣的东西。 2. 我们从前面学过的机器学习知道,对于一个算法特征的选择,对算法性能的影响很大。而后面讲到的推荐系统的建立过程中,该算法可以自动的学习一套很好的特征,而不