Выбор ответа Middle Рекомендательные системы обновлено
Матричная факторизация
Вопрос
Что учит матричная факторизация в рекомендациях?
Попробуйте сами
Выберите вариант, и откроется разбор.
Показать ответ и разбор
Коротко
Правильный ответ: Векторы пользователей и товаров в общем пространстве, чьё скалярное произведение приближает взаимодействия. R ≈ UVᵀ, где у каждого пользователя и товара k латентных факторов.
Варианты ответа
- Точное SVD полной матрицы взаимодействий, где пропуски заполнены нулями как «не понравилось»
- Дерево решений по признакам товара, которое разбивает каталог на группы для каждого пользователя
- Векторы пользователей и товаров в общем пространстве, чьё скалярное произведение приближает взаимодействияправильный ответ
- Список популярных товаров для каждого сегмента пользователей, полученного кластеризацией матрицы
Разбор
R ≈ UVᵀ, где у каждого пользователя и товара k латентных факторов. Учат только по известным ячейкам с регуляризацией: SGD или ALS (альтернируя фиксацию U и V). Классическое SVD с нулями на месте пропусков некорректно трактует «не видел» как «не понравилось».
- Пропуски не нули.
- Деревья это другой подход.
- Популярное это бейзлайн.
Ответьте сами, а не прочитайте
В тренажёре вопрос попадёт в повторения и вернётся, когда начнёт забываться. Плюс билеты с зачётом: 20 вопросов, не больше 2 ошибок.