Matrix Factorization for Recommender Systems

概述

Netflix Prize 获胜团队的核心论文（IEEE Computer 2009），将推荐系统从启发式工程升级为可优化的机器学习问题，提出用隐向量（Embedding）表示用户和物品，通过矩阵补全预测评分，是推荐系统领域最高被引论文之一（~12000+引用）。

关键内容

1. 核心问题：矩阵补全——给定稀疏的用户-物品评分矩阵，补全所有缺失值

2. 隐因子模型：

3. 用户 $u$ 的隐向量 $\vec{p}_u \in \mathbb{R}^k$
4. 物品 $i$ 的隐向量 $\vec{q}_i \in \mathbb{R}^k$

5. 预测评分：$\hat{r}_{u,i} = \vec{p}_u \cdot \vec{q}_i$

6. 完整模型（带偏差）：

7. $\hat{r}_{u,i} = \mu + b_u + b_i + \vec{p}_u^T \vec{q}_i$
8. $\mu$：全局平均
9. $b_u$：用户偏差

10. $b_i$：物品偏差

11. 优化方法：

12. SGD：随机梯度下降，适合流式学习

13. ALS：交替最小二乘，可并行化，工业大规模常用

14. SVD++ 扩展：

15. 融入隐式反馈（看过但未评分的物品）

16. 用户偏好 = 显式偏好 + 隐式行为推断

17. Netflix Prize 结果：

18. RMSE 从基线 0.9514 降至 0.8567（提升 10.06%）
19. 矩阵分解类模型贡献超过 7% 的提升

来源

• 03_MatrixFactorization_Netflix_2009 — 矩阵分解与 Netflix Prize：隐向量时代的到来

相关

• Yehuda Koren — authored_by
• Netflix Prize — part_of
• 矩阵分解 — implements
• Embedding — implements
• BPR — compares_to