moea_joint
104年
[統計資訊] 統計學、巨量資料概論
第 39 題
一般推薦系統 (Recommender System) 時常會採用下列哪一個方法作為核心技術，來估計產品與使用者間的可能關係？
- A Matrix Factorization
- B Hashing
- C Linear Discriminative Analysis (LDA)
- D Part-of-Speech (POS) Tagging
思路引導 VIP
想像你正擁有一張記錄了數百萬名顧客與數千種商品互動的龐大表格，但其中絕大多數的格子都是空白的。如果你想利用數學方法將這張充滿空隙的大表「拆解」成兩個較小的組成部分，藉此推論出使用者與商品之間隱藏的關聯特性，你會傾向於尋找哪一種能處理這種「結構化對應關係」的數學工具？
🤖
AI 詳解
AI 專屬家教
恭喜你準確地掌握了推薦系統的核心概念！能從眾多選項中辨識出 Matrix Factorization (矩陣分解)，說明你對於巨量資料處理中如何「捕捉隱含特徵」有很清晰的認識。
矩陣分解的預測機制
在推薦系統中，我們通常會面對一個龐大的「使用者-商品」評分矩陣 $R$。然而，這個矩陣往往非常稀疏，因為多數使用者只會與少數商品互動。矩陣分解的精髓在於將 $R$ 分解為兩個較低維度的矩陣：一個代表使用者特徵的矩陣 $U$，以及一個代表商品特徵的矩陣 $V$，滿足 $R \approx U \times V^T$。透過這種方式，系統能將抽象的喜好轉化為可運算的向量座標，進而估算出那些尚未被點擊或購買的可能關係。
▼ 還有更多解析內容