SVD++

概述

SVD++ 是一种改进的矩阵分解模型，通过将隐式反馈信息融入用户表示中，显著提升了推荐系统在稀疏数据上的表现。

关键内容

1. 核心思想： SVD++ 模型将用户的隐式反馈（如浏览、收藏、购买等行为）融入到用户隐因子向量的表示中，使得即使在显式评分极度稀疏的情况下，模型也能利用丰富的隐式信号来丰富用户画像。

2. 数学公式： $$\hat{r}{ui} = \mu + b_u + b_i + q_i^T \left( p_u + |R(u)|^{-1/2} \sum{j \in R(u)} y_j \right)$$

其中 $R(u)$ 是用户 $u$ 交互过的物品集合，$y_j$ 是物品 $j$ 作为隐式反馈的因子向量，$|R(u)|^{-1/2}$ 是归一化因子。

1. 优势：
2. 在 Netflix 数据集上，SVD++ 将 100 维模型的 RMSE 从 0.9025 降至 0.8924，实现了约 1% 的相对提升
3. 有效解决了稀疏性问题，充分利用了用户的各种行为信号

4. 将显式反馈和隐式反馈有机融合在同一框架内

5. 应用场景： SVD++ 成为现代推荐系统的标准做法，广泛应用于各种需要同时利用显式和隐式反馈的场景。

来源

• 推荐系统/04-matrix-factorization-for-recsys.md — 详细介绍 SVD++ 模型
• [[]] —

相关

• 矩阵分解 — 基础方法
• 隐式反馈 — 输入数据类型
• timeSVD++ — 时序扩展
• Matrix Factorization Techniques for Recommender Systems — 提出论文