协同过滤与矩阵分解

矩阵分解算法和协同过滤算法有什么区别？

A:上图左侧是协同过滤：协同过滤算法直观的找到用户可能喜欢的视频，即利用用户的观看历史，找到与目标用户joe看过相同视频的相似用户，再找到这些相似用户喜欢看的其他视频，推荐给目标用户joe。矩阵分解算法预计为每个用户和视频生成一个隐藏向量。在隐藏向量的表示空间上定位用户和视频(在图的右侧)。距离近的用户和视频表示相似的兴趣特征。在推荐过程中，要向目标用户推荐距离较近的视频。

协同过滤处理稀疏矩阵的能力怎么样？

回答：协同过滤处理稀疏矩阵的能力差，所以提出矩阵分解算法。通过分解共生矩阵，生成用户向量矩阵和项目向量矩阵，进而得到用户隐藏向量和项目隐藏向量。最后，这些隐藏向量可以被视为用户的emebdding和项目嵌入。CREATE model可以告诉你产品需要满足什么需求或者用户放弃使用的原因。通过不断的分析和提炼，它可以教会你诊断和修复产品中的问题。

协同过滤算法的弊端是什么？

A:协同过滤的缺点协同过滤算法无法扩展两个项目与其他相似项目相似的信息，导致其泛化能力较弱。而且会导致热门产品不断被推荐，冷门产品真的被打入冷宫的效果。这是为什么呢？我们用基于项目的协同过滤来解释。作为一个用户，当我看到一个受欢迎的产品时，无论我喜欢与否，我都必须点击它，这就造成了这里的一次点击，然后我就点击我感兴趣的那个。这样会导致热门产品一栏的相似度非常高，说明我和我真正喜欢的产品非常相似，我对它感兴趣，但实际上我只是因为它热门才点的，所以这个热门产品会在基于物品的协同过滤算法中得到正面反馈。没有办法很好的处理稀疏矩阵。所以下面会介绍矩阵分解，更好的处理稀疏矩阵。我自己的理解是增加模型的复杂度。5.矩阵分解