1 介绍

根据已有的用户对item的评分， 来推荐下一个时间用户可能喜欢的items。

2 Pre-processing

只保存用户对item的评分为4 或者 5 的， 将这一类统一设置为1 ， 其他所有的评分为1 2 3的或者unobserved全部设置为0

3 算法思想

利用两个矩阵， 用户embedding矩阵 U ， 物品embedding矩阵V， 预测的规则是：

b i b_i bi​表示items的bias ， 值越高表示物品越受欢迎

找到 一个pair （u， i），表示的含义是用户u对item i给了高的评分 ，然后在找到一个pair（u， j） ， 表示的含义是用户u对item j是unobserved的状态， 之后计算:
这个算法的核心思想就是要不断的拉大这个差值 ， 直观感受是用户给了高评分的预测值就要高， unobserved的预测值就要低 ，最终的优化函数是：

其中：

最后利用梯度下降优化参数。数据集使用的是ml100k

标签：评分,推荐,unobserved,矩阵,用户,item,算法,BPR
来源： https://blog.csdn.net/weixin_43907580/article/details/120546544