Application of Probabilistic Matrix Factorization for P

作者：禅与计算机程序设计艺术

1.简介

近年来，基于概率矩阵分解(Probabilistic Matrix Factorization)的推荐系统在工业界备受推崇。以物品推荐为例，在给用户推荐物品时，通过分析用户行为数据、商品特征数据等信息，先找出用户兴趣相似的个体群，再将这些个体群中看过物品的用户聚合到一起，通过物品之间的交互关系以及用户的偏好偏向，预测用户对每个物品的感兴趣程度，并给出相应的推荐。概率矩阵分解是一个求解多维数据相关性的问题，它可以根据用户-物品矩阵和其他一些辅助数据（如物品-标签矩阵、物品-上下文矩阵）学习出一个用户嵌入向量和一个物品嵌入向量，从而实现用户-物品之间的相似度计算。由于概率矩阵分解可以捕获物品之间的复杂联系，所以应用范围十分广泛。对于推荐系统而言，最大的优势就是能够给用户提供个性化的推荐，即推荐系统不仅能够预测用户对每个物品的喜好程度，还能够考虑用户当前已有的购买历史和偏好，结合个性化的推荐策略提供更加符合用户口味的推荐。

然而，概率矩阵分解方法存在着几个主要缺点：

1. 估计用户嵌入向量和物品嵌入向量较为耗时；
2. 概率矩阵分解方法只能给出某用户对某物品的相似度评分，无法给出具体推荐物品列表，因此无法向用户进行精确、详细的反馈；
3. 该方法无法对用户的浏览习惯和点击行为进行建模࿰