推荐算法 之 SVD奇异值矩阵分解(有图有真相,非常直观,豁然开朗!)

(这是我目前找到的最直观的SVD推荐算法原理讲解,有图有真相!)

转自:https://blog.csdn.net/u011412768/article/details/52972081

因为要用到基于SVD的推荐作为baseline,所以最近学习了一下SVD这个算法,感觉理解了好长时间。首先看的两篇是介绍SVD的文章,阅读量很大,翻译得很好。后面在网上又找到一篇专门解释SVD应用到推荐系统的文章,感觉博主写得很不错。

SVD介绍博文两篇:

地址1:奇异值分解(SVD) --- 线性变换几何意义

地址2:奇异值分解(SVD) --- 几何意义

下面是博主“不是我干的”总结的“SVD在推荐系统中的应用”:

原文地址:SVD在推荐系统中的应用(CSDN上也有博主这篇文章)

下面是第二位博主的正文部分,保存着共自己学习:

作者:不是我干的

参考自:http://www.igvita.com/2007/01/15/svd-recommendation-system-in-ruby/
其实说参考也不准确,准确地说应该是半翻译半学习笔记。
仔细整理一遍,感觉还是收获很大的。

线性代数相关知识:
任意一个M*N的矩阵A(M行*N列,M>N),可以被写成三个矩阵的乘积:
1. U:(M行M列的列正交矩阵)
2. S:(M*N的对角线矩阵,矩阵元素非负)
3. V:(N*N的正交矩阵的倒置)
即 A=U*S*V'(注意矩阵V需要倒置

直观地说:

假设我们有一个矩阵,该矩阵每一列代表一个user,每一行代表一个item。

svd-recsys

如上图,ben,tom….代表user,season n代表item

矩阵值代表评分(0代表未评分):

如 ben对season1评分为5,tom对season1 评分为5,tom对season2未评分。

机器学习和信息检索:

机器学习的一个最根本也是最有趣的特性是数据压缩概念的相关性。

如果我们能够从数据中抽取某些有意义的感念,则我们能用更少的比特位来表述这个数据。

从信息论的角度则是数据之间存在相关性,则有可压缩性。

SVD就是用来将一个大的矩阵以降低维数的方式进行有损地压缩。

降维:(相对于机器学习中的PCA)

下面我们将用一个具体的例子展示svd的具体过程。

首先是A矩阵。


   
   
   
   
  1. A =
  2. 5 5 0 5
  3. 5 0 3 4
  4. 3 4 0 3
  5. 0 0 5 3
  6. 5 4 4 5
  7. 5 4 5 5

(代表上图的评分矩阵)

 

使用matlab调用svd函数:


   
   
   
   
  1. [ U,S,Vtranspose]=svd(A)
  2. U =
  3. -0.4472 -0.5373 -0.0064 -0.5037 -0.3857 -0.3298
  4. -0.3586 0.2461 0.8622 -0.1458 0.0780 0.2002
  5. -0.2925 -0.4033 -0.2275 -0.1038 0.4360 0.7065
  6. -0.2078 0.6700 -0.3951 -0.5888 0.0260 0.0667
  7. -0.5099 0.0597 -0.1097 0.2869 0.5946 -0.5371
  8. -0.5316 0.1887 -0.1914 0.5341 -0.5485 0.2429
  9. S =
  10. 17.7139 0 0 0
  11. 0 6.3917 0 0
  12. 0 0 3.0980 0
  13. 0 0 0 1.3290
  14. 0 0 0 0
  15. 0 0 0 0
  16. Vtranspose =
  17. -0.5710 -0.2228 0.6749 0.4109
  18. -0.4275 -0.5172 -0.6929 0.2637
  19. -0.3846 0.8246 -0.2532 0.3286
  20. -0.5859 0.0532 0.0140 -0.8085

分解矩阵之后我们首先需要明白S的意义。

可以看到S很特别,是个对角线矩阵。

每个元素非负,而且依次减小,从几何意义上来说,此值和特征向量中的特征值的权重有关。

所以可以取S对角线上前k个元素。

当k=2时候即将S(6*4)降维成S(2*2)

同时U(6*6),Vtranspose(4*4)相应地变为 U(6*2),V(4*2)(这里V.transpose应该为2*4)

如下图(图片里的usv矩阵元素值和我自己matlab算出的usv矩阵元素值有些正负不一致,但是本质是相同的):(这里V.T应该再转置一下)

svd-recsys

此时我们用降维后的U,S,V来相乘得到A2

A2=U(1:6,1:2)*S(1:2,1:2)*(V(1:4,1:2))' //matlab语句

   
   
   
   

   
   
   
   
  1. A2 =
  2. 5.2885 5.1627 0.2149 4.4591
  3. 3.2768 1.9021 3.7400 3.8058
  4. 3.5324 3.5479 -0.1332 2.8984
  5. 1.1475 -0.6417 4.9472 2.3846
  6. 5.0727 3.6640 3.7887 5.3130
  7. 5.1086 3.4019 4.6166 5.5822

此时我们可以很直观地看出,A2和A很接近,这就是之前说的降维可以看成一种数据的有损压缩。

 

接下来我们开始分析该矩阵中数据的相关性(关键在此处)

我们将u的第一列当成x值,第二列当成y值(即u的每一行用一个二维向量表示)

同理,v的每一行也用一个二维向量表示。

如下图:

svd-recsys

从图中可以看出:

Season5,Season6特别靠近。Ben和Fred也特别靠近。

同时我们仔细看一下A矩阵可以发现,A矩阵的第5行向量和第6行向量特别相似,Ben所在的列向量和Fred所在的列向量也特别相似(豁然开朗)。

 

所以,从直观上我们发现,U矩阵和V矩阵可以近似来代表A矩阵,换据话说就是将A矩阵压缩成U矩阵和V矩阵,至于压缩比例得看当时对S矩阵取前k个数的k值是多少。

到这里,我们已经完成了一半。

寻找相似用户

我们假设,现在有个名字叫Bob的新用户,并且已知这个用户对season n的评分向量为:[5 5 0 0 0 5]。(此向量为行向量)

我们的任务是要对他做出个性化的推荐。

我们的思路首先是利用新用户的评分向量找出该用户的相似用户。

svd-recsys

对图中公式不做证明,只需要知道结论:得到一个Bob的二维向量,即知道Bob的坐标。(本质上是特征的降维转换)

将Bob坐标添加进原来的图中:

svd-recsys

然后从图中找出和Bob最相似的用户。

 

注意,最相似并不是距离最近的用户,这里的相似用余弦相似度计算,即夹角与Bob最小的用户坐标,可以计算出最相似的用户是ben。

 

接下来的推荐策略就完全取决于个人选择了。

 

这里介绍一个非常简单的推荐策略:

找出最相似的用户,即ben。

观察ben的评分向量为:【5 5 3 0 5 5】。

对比Bob的评分向量:【5 5 0 0 0 5】。

然后找出ben评分过而Bob未评分的item并排序,即【season 5:5,season 3:3】。

即推荐给Bob的item依次为 season5 和 season3。

最后还有一些关于整个推荐思路的可改进的地方:

1.svd本身就是时间复杂度高的计算过程,如果数据量大的情况恐怕时间消耗无法忍受。不过可以使用梯度下降等机器学习的相关方法来进行近似计算,以减少时间消耗。

2.相似度计算方法的选择,有多种相似度计算方法,每种都有对应优缺点,对针对不同场景使用最适合的相似度计算方法。

3.推荐策略:首先是相似用户可以多个,每个由相似度作为权重来共同影响推荐的item的评分。

最后附上一些其他博主的博文,可以加深理解:

(1)机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

(2)[机器学习笔记]奇异值分解SVD简介及其在推荐系统中的简单应用

(3)矩阵特征值分解与奇异值分解含义解析及应用

感谢前辈们提供的知识~

你可能感兴趣的:(机器学习项目实践,机器学习理论,svd,推荐算法,奇异值分解,直观)