2016年10月18日
SVD奇异矩阵分解
摘要： 奇异矩阵分解SVD 奇异矩阵分解的核心思想认为用户的兴趣只受少数几个因素的影响，因此将稀疏且高维的User-Item评分矩阵分解为两个低维矩阵，即通过User、Item评分信息来学习到的用户特征矩阵P和物品特征矩阵Q，通过重构的低维矩阵预测用户对产品的评分.SVD的时间复杂度是O(m3). 在了解奇 阅读全文
posted @ 2016-10-18 18:44 xmeo 阅读(3349) 评论(0) 推荐(0) 编辑