(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。
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。
A = 5 5 0 5 5 0 3 4 3 4 0 3 0 0 5 3 5 4 4 5 5 4 5 5
(代表上图的评分矩阵)
使用matlab调用svd函数:
-
[
U,S,Vtranspose]=svd(A)
-
-
U =
-
-0.4472
-0.5373
-0.0064
-0.5037
-0.3857
-0.3298
-
-0.3586
0.2461
0.8622
-0.1458
0.0780
0.2002
-
-0.2925
-0.4033
-0.2275
-0.1038
0.4360
0.7065
-
-0.2078
0.6700
-0.3951
-0.5888
0.0260
0.0667
-
-0.5099
0.0597
-0.1097
0.2869
0.5946
-0.5371
-
-0.5316
0.1887
-0.1914
0.5341
-0.5485
0.2429
-
-
S =
-
17.7139
0
0
0
-
0
6.3917
0
0
-
0
0
3.0980
0
-
0
0
0
1.3290
-
0
0
0
0
-
0
0
0
0
-
-
Vtranspose =
-
-0.5710
-0.2228
0.6749
0.4109
-
-0.4275
-0.5172
-0.6929
0.2637
-
-0.3846
0.8246
-0.2532
0.3286
-
-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)
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
A2 = 5.2885 5.1627 0.2149 4.4591 3.2768 1.9021 3.7400 3.8058 3.5324 3.5479 -0.1332 2.8984 1.1475 -0.6417 4.9472 2.3846 5.0727 3.6640 3.7887 5.3130 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:
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。
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:
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~