【推荐系统算法】DPMF(Dependent Probabilistic Matrix Factorization).中篇
来源:互联网 发布:350mm新域名 编辑:程序博客网 时间:2024/05/17 03:37
Adams, Ryan Prescott, George E. Dahl, and Iain Murray. “Incorporating side information in probabilistic matrix factorization with gaussian processes.” arXiv preprint arXiv:1003.4944 (2010).
上一篇博客介绍了DPMF方法的概率模型,本篇博客继续讨论该论文的求解和预测。
优化
历史比赛的主客场得分
采用MCMC方法,在已知数据的条件下,每次固定其他变量,写出待求变量的条件概率。根据这个概率(目标分布)对此变量进行采样,采样结果用来更新此变量的取值。
为了明确起见,再次列出各个变量的尺寸。
比赛场次
以下推导中,用all表示全部隐变量,用others表示出当前更新变量外的其他隐变量。以下推导为了书写简便,省略了一些上标和下标。
特征的协方差LU,LV
在源码中认为
其中
已知其他变量条件下,
这个概率非常重要,是采样后面几个变量都要用到的。
特征的均值μU,μV
源码中认为
观测误差σ,ρ
同样认为
以上三类变量都根据目标分布,采用slice sampling方式进行采样,对变量进行更新。
独立特征fU,fV
同样认为
采用elliptical slice sampling进行采样,用采样结果更新
要逐个更新
超参数θU,θV
主场队伍
队伍
队伍
举例:某一年联赛共有31支球队参加,则
M=31 ,fU∼M×K,fUm∼1×K 。共进行了1200场比赛,则S=2501 。某一队伍m在主场打了82场,J(m)=82,gm∼J(m)×K 。
在已知观测数据,以及联合高斯随机变量
具体来说,记
预测
模型的所有参数
论文中要求预测任意主队
值得注意的是,论文中的预测并没有利用从属信息。
在代码中,优化和预测是同步进行的。先启动
在执行预测的同时,也同时更新模型参数。
本论文的理论部分已经介绍完毕,对源码运行和实验细节感兴趣的同学,可以继续阅读下篇。
- 【推荐系统算法】DPMF(Dependent Probabilistic Matrix Factorization).中篇
- 【推荐系统算法】DPMF(Dependent Probabilistic Matrix Factorization).上篇
- 【推荐系统算法】PMF(Probabilistic Matrix Factorization)
- 【推荐系统算法】BPMF(Bayesian Probabilistic Matrix Factorization)
- 【推荐系统】概率矩阵分解 probabilistic matrix factorization
- 推荐系统之概率矩阵分解的详细推导过程(Probabilistic Matrix Factorization,PMF)
- 矩阵分解(MATRIX FACTORIZATION)在推荐系统中的应用
- 矩阵分解(MATRIX FACTORIZATION)在推荐系统中的应用
- Non-negative Matrix Factorization and Probabilistic Latent Semantic Analysis
- Non-negative Matrix Factorization and Probabilistic Latent Semantic Analysis
- Non-negative Matrix Factorization and Probabilistic Latent Semantic Analysis
- 【推荐系统】Factorization Machine
- 矩阵分解在推荐系统中的应用(中文译)- MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
- GraphLab collaborative filtering library: efficient probabilistic matrix/tensor factorization on mul
- 视频前背景分离论文之(4) A Probabilistic Approach to Robust Matrix Factorization
- Big Data(5): Matrix Factorization算法实现
- Matrix factorization
- matrix factorization
- 远程使用pl/sql登陆数据库时,界面提示 ORA-12170: TNS: 连接超时
- Android —— 网络请求框架 Volley
- 蓝桥杯 ALGO-101 图形显示
- 第1章第2节练习题4 删除指定区间结点
- http请求工具类
- 【推荐系统算法】DPMF(Dependent Probabilistic Matrix Factorization).中篇
- cxGrid使用汇总
- python stdout stderr
- STL容器介绍与效率比较
- 程序员成长笔记(二):SVN,Git,Mercurial
- The application may be doing too much work on its main thread.
- Python调用C模块和性能分析
- 升级 Java 编程规范的6个约定
- EDIUS绿色版中的工程预设如何设置