寫在前面
真實的場景中,可能我們有非常非常多的訓練資料,我們不得不面對一些問題,也是大家比較關心的問題,
- 海量的資料無法一次載入記憶體用于訓練,
- 資料是每天不斷增加的,我們有沒有一些增量訓練的方式去不斷持續迭代更新模型?
什么場景下,我們是不把資料全部載入記憶體優化,而是一個batch一個batch輸入進行update引數的?
對,我們用tensorflow來完成一個在批量資料上更新,并且可以增量迭代優化的矩陣分解推薦系統,
0.矩陣分解回顧
LFM:把用戶再item上打分的行為,看作是有內部依據的,認為和k個factor有關系
每一個user i會有一個用戶的向量(k維),每一個item會有一個item的向量(k維)
SVD是矩陣分解的一種方式
預測公式如下
y p r e d [ u , i
轉載請註明出處,本文鏈接:https://www.uj5u.com/qita/227169.html
標籤:AI
上一篇:關于DFS(深度優先搜索)
