我在推荐系统中对矩阵分解方法进行了一些阅读，并且遇到了这个非常好的教程：http://www.quuxlabs.com/blog/2010/09/matrix-factorization-a-simple-tutorial-and-implementation-in-python/
一切都很好，但这一段让我很感兴趣：
现在可能会出现一个问题：如果我们找到两个矩阵 P 和 Q ，那么 PXQ 近似 R，并不是说我们对所有看不见的评级的预测都不是零吗？事实上，我们并没有真正尝试提出P和Q，以便我们可以完全重现R.相反，我们只会尝试最小化观察到的用户 - 项对的错误。换句话说，如果我们让 T 成为一组元组，每个元组都是（u_i，d_j，r_ij）的形式，这样T包含所有观察到的用户项对以及相关的评级，我们只是试图最小化T中（u_i，d_j，r_ij）的每个 e_ij 。（换句话说，T是我们的训练数据集。至于其他未知数，一旦学习了用户，项目和特征之间的关联，我们就能够确定它们的价值。
我想知道是否有人可以帮我这个？潜在因素是否有助于我们理解每个用户和项目的行为？
由于
答案 0 :(得分：1)
潜在因素是描述用户和项目的两组值（用户的集合和项目的集合）。基本上你要做的是找到你的项目和用户的数字表示。
想象一下，你有电影评级系统，有3个因素供用户使用，3个因素适合电影（项目）。用户项目可以是您喜欢的喜剧，戏剧或动作片以及影片因素，它是多少喜剧，戏剧或动作片。从这些属性中，您可以估计其他对的评级。该模型为您找到这些抽象因素。
这意味着您只能为有评分的商品和用户找到合理的代表。 因此，当您训练模型时，使用已知的评级来估计此表示。通过它，您可以尝试预测用户和项目的未知评级。