贝叶斯概率矩阵分解理解
来源:互联网 发布:猫 益生菌 知乎 编辑:程序博客网 时间:2024/05/31 19:23
贝叶斯概率矩阵分解理解
前提假设:
1、用户特征向量,电影特征向量均服从高斯分布先验分布
2、均值和协方差矩阵服从高斯-威沙特分布的先验分布
后验概率推理:
1、对用户特征向量后验概率进行推理,满足一个新的正态分布,均值和方差与用户的评分、以及先验分布的均值和方差有关系,这样每个用户的后验分布服从的正态分布都是不一样的。 (1)
2、对电影特征向量后验概率进行推理,其也是满足一个新的正态分布,新的正态分布的均值和方差与电影得到的评分以及电影先验分布的均值和方差有关 (2)
电影用户的先验分布的均值和方差服从高斯威沙特分布,我们希望推理出电影均值、
方差服从的后验分布(其实也是一个高斯威沙特分布)
对于一个给定的用户特征矩阵,推理其均值和方差的后验分布
p(ΘU|U)⋅p(U)=p(ΘU,U)=p(U|ΘU)⋅p(ΘU)【注意:p(U)已知,所以可以忽略】
所以:p(ΘU|U)∼p(U|ΘU)⋅p(ΘU)(3)
Gibbs采样:
1、利用gibbs采样,通过(3)式对超参数进行采样
2、得到采样后的超参数以后,通过(3)(4)两个式对用户特征向量和电影特征向量进行采样。
0 0
- 贝叶斯概率矩阵分解理解
- 概率矩阵分解模型 PMF
- 概率矩阵分解模型 PMF
- 概率矩阵分解和泊松矩阵分解的区别
- 概率图模型学习(一):概率图矩阵分解
- 【机器学习】主题模型(一):条件概率、矩阵分解
- 基于概率的矩阵分解原理详解(PMF)
- 推荐系统---基于概率的矩阵分解(PMF)
- 【推荐系统】概率矩阵分解 probabilistic matrix factorization
- 对矩阵分解的粗浅理解之LU分解
- 排列组合 概率 贝叶斯理解
- 矩阵分解
- 矩阵分解
- 矩阵分解
- 矩阵分解
- 矩阵分解
- 矩阵分解
- 矩阵分解
- 获得tm或者anydesk的id发送到服务器
- 第七周项目2建立链队算法库
- 支持swift3.0的开源库
- 怎么把word转成markdown
- 哪种操作需要哪种类型的library cache lock / library cache pin?
- 贝叶斯概率矩阵分解理解
- 安卓dialog主题
- Xcode中类文件后面的M,A,?等符号,Xcode使用Git的符号表示的意思
- mybatis常用查询技巧1
- 《从零开始学Swift》学习笔记(Day 36)——静态方法
- SSH MVC的关系
- 第七周 建立链队算法库
- 正则表达式的优先级
- android TextView自定义字体样式