机器学习中的矩阵分解方法

基于郭栋老师的教学PPT,配上相关paper和资料,做到对矩阵分解技术有个大致了解。

一个假设:数据由有限的潜在因子决定,数据样本的观测值是潜在因子的一个映射。

机器学习中的矩阵分解方法_第1张图片


矩阵分解发展历史:

机器学习中的矩阵分解方法_第2张图片

经典的方法PCA,SVD这里就不说了,2003年提出的topic model LDA,听说当时可是火了一把。

重点推荐几种矩阵分解方法:

概率矩阵分解(PMF),由深度学习大牛Ruslan Salakhutdinov所写,paper正文点这里,主要应用到推荐系统中,在大规模的稀疏不平衡Netflix数据集上取得了较好结果。

非负矩阵分解(Nonnegative MatrixFactor ,NMF)由 Lee和 Seung 在《Nature》上提出,paper正文点这里,非负矩阵分解及其改进版本应用到了很多领域,国内的一篇paper做了综述,,非负矩阵分解在文本聚类方面的应用,看这里。


矩阵分解模型最早由 Sarwar 等人应用到推荐系统当中。


矩阵分解在推荐系统中的运用,推荐Google推荐系统大牛Yehuda Koren:

MATRIX FACTORIZATION TECHNIQUES  FOR RECOMMENDER SYSTEMS

Advances in Collaborative Filtering


基于矩阵分解的算法和应用,这里有海量信息:https://sites.google.com/site/igorcarron2/matrixfactorizations,若是小时候爬墙技术没学好,美女博士辛苦的做了搬运工:http://blog.csdn.net/abcjennifer/article/details/30371615。

你可能感兴趣的:(Machine,learning,数据挖掘)