SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Stochastic Matrix Factorization

tod avatar
tod
8 diapositives · 243 Views · Jul 28, 2014

This article explores Stochastic Matrix Factorization (SMF) by addressing how to handle unobserved entries in the user-item-rating matrix. It presents the gradient descent approach for updating observed user-item pairs while tuning the stepsize for optimal convergence. The importance of monitoring progress using the cost function is highlighted, emphasizing the need for regularization to prevent overfitting. Additional bias terms and new cost function considerations are discussed, providing a comprehensive understanding of the derivation of update rules in SMF.

Stochastic Matrix Factorization - slide 1
01 / 8Stochastic Matrix Factorization
1 / 17

Télécharger la présentation

Stochastic Matrix Factorization
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Stochastic Matrix Factorization Max Welling

  2. SMF • Last time: The SVD can do a matrix factorization of the user-item-rating matrix. • Main question to answer: how do we ignore the majority of the entries that • have no ratings? Set of observed user-item pairs!!

  3. Gradient Descent Compute the direction of steepest descent and take small steps in that direction (show youtube demo)

  4. Steepest decent for SMF • Choose a single observed user-item pair (u,i). • Compute the following gradients: • Perform these updates: (for just this (u,i) pair).

  5. Stepsize • The stepsize needs to be tuned to be of the right size. • Too small: progress is too slow • Too large: the value for A,B will explode • You can measure you progress by monitoring C(A,B) as you keep updating. • C should go down on average. • Note that we don’t have to fill in values for the unobserved ratings! • Predictions for the unobserved rating are very simple:

  6. Regularization We keep A,B terms small so that we do not fit too much to the current data. If we fit too much we would overfit and that might not generalize well to new data. Extra terms

  7. Some Extra Bias Terms. New Cost:

  8. Homework Compute the derivatives: What are the new update rules?