1700532980
1700532981
…
1700532982
1700532983
…
1700532984
1700532985
…
1700532986
1700532987
…
1700532988
1700532989
…
1700532990
1700532991
…
1700532992
1700532993
…
1700532994
1700532995
…
1700532996
1700532997
1
1700532998
1700532999
0
1700533000
1700533001
0
1700533002
1700533003
…
1700533004
1700533005
0
1700533006
1700533007
0
1700533008
1700533009
0
1700533010
1700533011
…
1700533012
1700533013
1
1700533014
1700533015
若用户的数量为m、物品的数量为n，那么需要学习的参数的规模为m×n。在互联网环境下，用户数量和物品数量都可以达到千万量级，几乎无法学习m×n规模的参数。在这种情况下，一种行之有效的方法是将用户和物品分别用k维的低维向量表示（k<
1700533016
1700533017
1700533018
，
1700533019
1700533020
（1.4）
1700533021
1700533022
1700533023
1700533024
1700533025
其中，和分别表示xi和xj对应的低维向量。在表1.5的推荐问题中，需要学习的参数的规模变为m×k+n×k。熟悉推荐算法的同学很快可以看出来，这其实等价于矩阵分解。所以，这里也提供了另一个理解推荐系统中矩阵分解的思路。
1700533026
1700533027
1700533028
1700533029