我按照Edward's repo中的示例实现了概率矩阵分解模型（R = U'V）：
# data
U_true = np.random.randn(D, N)
V_true = np.random.randn(D, M)
R_true = np.dot(np.transpose(U_true), V_true) + np.random.normal(0, 0.1, size=(N, M))
# model
I = tf.placeholder(tf.float32, [N, M])
U = Normal(loc=tf.zeros([D, N]), scale=tf.ones([D, N]))
V = Normal(loc=tf.zeros([D, M]), scale=tf.ones([D, M]))
R = Normal(loc=tf.matmul(tf.transpose(U), V), scale=tf.ones([N, M]))
在预测矩阵R中的数据时，我获得了良好的表现。但是，当我评估U和V中的推断特征时，错误会发生很大变化并且会变得非常高。
我尝试了一个小维度的潜在空间（例如2）并检查潜在特征是否不是简单地置换。它们有时会被置换，但即使在重新排列之后，错误仍然很重要。
要抛出一些数字：对于从R和U生成的合成V矩阵，正常分布（均值0和方差1），我可以得到平均绝对误差0.003在R上，但在U和V上，它通常在0.5左右。
我知道这个模型是对称的，但我不确定其含义。我想问一下：