关于LFM的几点疑问

来源：2-6 基于LFM的用户个性化推荐与推荐结果分析

金戈大王

2019-06-06

梯度下降训练一定会收敛吗？是否有理论依据？
12分30秒处老师提到可以用训练好的item向量计算item-to-item相似度矩阵，然后用item cf的思想做推荐。但是训练过程中并没有以item-to-item的相似度作为目标，如何保证相似的item具有相似的向量？

谢谢老师～

写回答

1回答

David

2019-06-07

1.梯队下降不一定会完全收敛。在很多实战情况里，经过一些轮次迭代会有loss震荡，这个和训练数据有关。需要清洗训练数据。 2.这里是将用户点过的物品学的距离尽量近，也就是会将相似行为的user最终学习的向量会距离很近，既而被他们行为的物品也会距离比较近，可以做sim item。

金戈大王

在监督训练中，我们只能针对训练集的分布优化loss，使得在测试集中loss也尽量小。而这里的loss是user向量与item向量的距离，并不是item向量与item向量的距离。就好像训练了一个对猫和狗分类的神经网络，怎么能期望它也能对鸡和鸭分类呢。

2019-06-07

共1条回复

个性化推荐算法实战（可用于毕设） BAT大牛亲授

让你掌握一套完整的，能落地的个性化推荐算法体系。可用于毕设。

839 学习 · 253 问题

相似问题

回答 1

LFM问题

回答 1

回答 1

回答 1

回答 1