Press "Enter" to skip to content

协调过滤算法之ALS

ALS(alternating least squares)

 

ALS是交替最小二乘的简称。在机器学习中,ALS特指使用交替最小二乘求解的一个协同推荐算法。如:将用户(user)对商品(item)的评分矩阵分解成2个矩阵:

user对item 潜在因素的偏好矩阵(latent factor vector)
item潜在因素的偏好矩阵

假设有m个user和n个item,所以评分矩阵为R。ALS(alternating least squares)希望找到2个比较低纬度的矩阵(X和Y)来逼近这个评分矩阵R。

 

 

 

 

ALS的核心就是这样一个假设:打分矩阵是近似低秩的。换句话说,就是一个m*n的打分矩阵可以由分解的两个小矩阵U(m*k)和V(k*n)的乘积来近似。这就是ALS的矩阵分解方法。

 

为了让X和Y相乘能逼近R,因此我们需要最小化损失函数(loss function),因此需要最小化损失函数,在此定义为平方误差和(Mean square error, MSE)。

 

 

一般损失函数都会需要加入正则化项(Regularization item)来避免过拟合的问题,通常是用L2,所以目标函数会被修改为:

 

 

上面介绍了“最小二乘(最小平方误差)”,但是还没有讲清楚“交替”是怎幺回事。因为X和Y都是未知的参数矩阵,因此我们需要用“交替固定参数”来对另一个参数求解。

 

先固定Y, 将loss function对X求偏导,使其导数等于0:

 

 

再固定X, 将loss function对Y求偏导,使其导数等于0:

 

 

既然是交替,就会有迭代的模式存在:

 

 

ALS-WR(alternating-least-squares with weighted-λ-regularization)

 

加权正则化交替最小二乘法。上文提到的模型适用于解决有明确评分矩阵的应用场景,然而很多情况下,用户没有明确反馈对商品的偏好,也就是没有直接打分,我们只能通过用户的某些行为来推断他对商品的偏好。比如,在电视节目的推荐的问题中,对电视节目收看次数或时长,这时我们可以推测次数越多看的时间越长,用户的偏好程度越高,但是对于没有收看的节目,可能是用户不知道该节目,或者没有途径获取节目,我们不能确定的推测用户不喜欢该节目,ALS-WR通过置信度权重来解决这些问题:对于更确信用户偏好的项赋予较大的权重,对于没有反馈的项赋予较小的权重。

 

损失函数为:

 

 

其中, $r_{ui}$表示原始量化值,比如观看电影的时间;α表示根据用户行为所增加的信任度

 

小结

 

在实际应用中,由于待分解的矩阵常常是非常稀疏的,与SVD相比,ALS能有效的解决过拟合问题。基于ALS的矩阵分解的协同过滤算法的可扩展性也优于SVD。与随机梯度下降的求解方式相比,一般情况下随机梯度下降比ALS速度快;但有两种情况ALS更优于随机梯度下降:

当系统能够并行化时,ALS的扩展性优于随机梯度下降法。
ALS-WR能够有效的处理用户对商品的隐式反馈的数据

ALS算法的缺点在于:

它是一个离线算法。
无法准确评估新加入的用户或商品。这个问题也被称为冷启动问题。

参考链接:https://medium.com/@chih.sheng.huang821/%E7%9F%A9%E9%99%A3%E5%88%86%E8%A7%A3-matrix-factorization-%E4%BA%A4%E6%9B%BF%E6%9C%80%E5%B0%8F%E5%B9%B3%E6%96%B9%E6%B3%95-alternating-least-squares-2a71fd1393f7

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注