描述
矩阵分解是一种基本的数学算法，可用于推荐算法中，根据用户的喜好来进行相关推荐。2008年，Andriy Mnih等人提出了概率矩阵分解，并将其应用于大型、稀疏且不平衡的数据集上，获得了很好的效果。在2008年，基于PMF提出了几个改进算法，如贝叶斯概率矩阵分解和核概率矩阵分解等，都在推荐系统中获得了很好的结果。2009年，Yehuda Koren等人对现有的矩阵分解算法进行了对比和总结。
主要事件
2008 | Andriy Mnih等人提出了概率矩阵分解 | Mnih A, Salakhutdinov R R. Probabilistic matrix factorization[C]//Advances in neural information processing systems. 2008: 1257-1264. |
2008 | 提出了贝叶斯NMF，通过使用MCMC（Markov chain Monte Carlo）进行模型中的近似推理，证明了在面对大数据集的情况下，MCMC也可以获得很快的速度。并且贝叶斯NMF获得了很好的效果。 | Salakhutdinov R, Mnih A. Bayesian probabilistic matrix factorization using Markov chain Monte Carlo[C]//Proceedings of the 25th international conference on Machine learning. ACM, 2008: 880-887. |
2009 | Yehuda Koren等人对现有的矩阵分解算法进行了对比和总结 | Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer, 2009, 42(8). |
2012 | 提出了kernel NMF | Zhou T, Shan H, Banerjee A, et al. Kernelized probabilistic matrix factorization: Exploiting graphs and side information[C]//Proceedings of the 2012 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, 2012: 403-414. |
发展分析
瓶颈
概率矩阵分解算法中的正则化参数对应的是点估计，在参数选择的不合适时容易发生过拟合。
未来发展方向
概率矩阵分解算法在提高推荐质量的同时可以在大数据环境下保证计算的时间和计算资源的瓶颈问题。针对算法面对的未来发展需要，在保证推荐质量的前提下，与其他并行算法相结合，提高算法在工程应用中的速率。
Contributor: Yilin Pan