物品|灵活性_推荐系统推荐系统中分解共现矩阵的优点与局限性

篇首语：本文由编程笔记#小编为大家整理，主要介绍了推荐系统推荐系统中分解共现矩阵的优点与局限性相关的知识，希望对你有一定的参考价值。

由于使用协同过滤，单纯考虑user或item之间的正反馈交互以及相似度量，这不能很好的利用全局信息，如果两个用户没有相同的历史行为，或者两个物品没有相同的用户购买，那么对于这两个物品或者用户来说，它们之间的相似度为0，这就会导致使用协同过滤不具备泛化利用全局信息的能力。

而隐向量的生成过程其实是对共享矩阵进行全局拟合的过程，因此隐向量其实是利用全局信息生成的。

矩阵分解的优点：

• 泛化能力强：在一定程度上解决了矩阵稀疏的问题
• 空间复杂度低：使用协同过滤进行推荐，需要维护用户和物品的相似度矩阵，而使用隐向量只需要存储物品和用户的隐向量矩阵即可，这就使得空间复杂度从 降低到
• 更好的扩展性和灵活性：矩阵分解的最终产出是用户和物品的隐向量矩阵，这其实与深度学习中的Embedding思想不谋而合，因此矩阵分解的结果也非常便于与其它特征进行组合和拼接，并便于与深度学习网络进行无缝结合

局限性：

• 矩阵分解只能够使用共现矩阵，不能将用户、物品和上下文特征考虑在内进行建模，这将丧失很多信息