mf-bpr
bpr(bayesian personalized ranking)推薦模型是基於貝葉斯後驗優化的個性化排序演算法。從user-iem矩陣訓練出多個矩陣，而且乙個矩陣表示乙個使用者的item偏好情況來獲得用對多個item的偏好關係的推薦系統。本身不優化使用者對物品的評分，只是藉由評分來優化使用者對物品的排序。
bpr是目前主流的利用基於物品對的協同過濾技術解決occf問題的演算法之 。
bpr的核心是針對兩個物品的相對偏好排序進行建模。最終為每個使用者計算其對沒有過行為物品的偏好排序，從而進行個性化推薦。
由此，訓練集d
sd_s
ds可以構建為：u∗i
∗iu*i*i
u∗i∗i,d
sd_s
ds是三元組(u,
i,j)
(u,i,j)
(u,i,j
)的集合。
1、強調個性化推薦，個性化物品偏好排名
2、用後驗概率優化個性化推薦的排序
3、基於梯度下降的learnbpr極大化bpr-opt
4、一般的推薦演算法強調使用者對專案的打分，只存在使用者和單個專案的關係，不去考慮兩個專案對使用者的影響力，而bpr模型從u,i
,ju,i,j
u,i,
j出發求解u,i
u,iu,
i的大小。
（1）從user-item中提取item-item矩陣
？表示無簽到資料，有兩種情況，第一種可能本身就是negative value，使用者對item不感興趣，第二種是缺失值，發生了瀏覽或者購買行為但是丟失了
+ 表示使用者u
uu相對於item j
jj更喜歡item iii。
bpr推薦系統會考慮positive value和negative value，也就是所有item都會被個性化ranking，即使使用者對某個item缺失值這個item也能夠被ranking，而不是僅僅用negative value代替缺失值。
判定規則
v al
ue=+, &\text\\ -, &\text\\ ?,&\text \end
value=
⎩⎪⎨⎪
⎧+,
−,?,
if i = + ,j = ?
if i = ? ,j = +
if i = j ,no matter +or?
基本假設：
bpr演算法將使用者對物品的評分（顯示反饋1，隱式反饋0）處理為乙個pair集合，其中i為評分為1的物品，j為評分為0 的物品，假設使用者有m個1的評分，n個0的評分，則該使用者共有m*n個pair對。
資料集就由表示，相對於物品j，使用者u更喜歡物品i。
基於前面提到的兩個基本假設，優化問題就轉化為了極大化以下目標：
θ為模型引數，包括使用者的latent matrix p,物品的latent matrix q
**中將使用者有過反饋的物品記為1，其餘物品記為0.
作者認為基於pair-wise的偏序優化，可以避免point-wise模型對feature-item進行**時失敗。
而且feature包括兩類，使用者不喜歡的和missing value。
合理的做法，
利用矩陣分解u−i
u-iu−
i矩陣，可以用p=ℜ
m×kp = \re^
p=ℜm×k
,m
mm為使用者個數，k
kk為使用者特徵的維度，行向量表示使用者u
uu的潛在特徵向量。
q =ℜ
n×k,
q = \re^,
q=ℜn×k,nn
n為物品個數，k
kk為物品特徵的維度，行向量表示物品i
ii的潛在特徵向量。
用兩個向量的內積xu,
i=,q
i>
x_=xu
,i=
,qi
>
代表使用者u對物品i的喜好程度。
在bpr中是[u,
i,j]
[u,i,j]
[u,i,j
]的三元組形式，即x^u
,i,j
\hat_
x^u,i,
j
個性化推薦系統
基於協同過濾的推薦大體包括 基於專案的協同過濾 item basedcf 基於使用者的協同過濾 user basedcf 基於模型的協同過濾演算法 1 3 基於專案的協同過濾 item basedcf 首先根據不同使用者歷史購買商品的評分資訊計算出各專案之間的相似度，構建各專案之間的相似度矩陣 再找...
推薦系統概述 個性化推薦
1.從乙個例子出發 兩名使用者都在某電商 購買了a b兩種產品。當他們產生購買這個動作的時候，兩名使用者之間的相似度便被計算了出來。其中一名使用者除了購買了產品a和b，還購買了c產品，此時推薦系統會根據兩名使用者之間的相似度會為另一名使用者推薦專案c。2.應用現狀 推薦系統可以說是無處不在了，比如 ...
個性化推薦技術
如果說過去的十年是搜尋技術大行其道的十年，那麼個性化推薦技術將成為未來十年中最重要的革新之一。目前幾乎所有大型的電子商務系統，如amazon cdnow netflix等，都不同程度地使用了各種形式的推薦系統。而近來以 發現 為核心的 正開始在網際網路上嶄露頭角，比如側重於 推薦的八寶盒，側重於圖書...