版权声明:本文为博主原创文章,未经博主允许不得转载,欢迎大家讨论交流。 https://blog.csdn.net/qq_40006058/article/details/88225049
1 原文
2 原文(与1同一个模型)
3 理解
3.1 本文目的
学习用户和物品的非线性表示,并利用辅助信息来缓解冷启动问题。在预测过程中提高精度以及模型的鲁棒性
3.2 模型
1、模型输入 R(UxI)+ Side information
用户物品评分矩阵的某一列(item-based)或者某一行(user-based)加上辅助信息
2、模型输出
对R矩阵缺失值的预测
3、优化目标
最小化RMSE