在《推荐系统（二）协同过滤》一文中，笔者介绍了如何使用矩阵分解来学习嵌入。矩阵分解具有一些局限性：文章来源地址https://www.toymoban.com/news/detail-559932.html
- 基础矩阵分解只用了 UserID（QueryID） 和 ItemID 两个维度的信息，所有学到的知识都蕴含在 User 向量和 Item 嵌入中。可解释性差，同时，学习过程中很难融合更多有用的特征，比如用户的统计学信息（收入水平、学历、年龄、人生阶段等）以及商品的基础特征信息，如类目、品牌等。因而，基础矩阵分解的泛化能力受到一定的限制。
- 因子分解机（FM）可以看做是基础矩阵分解的推广，它能够很好地融入更多维度的特征，从而学到的模型泛化能力更强，具体可以参考这篇文章：《主流CTR模型的演化及对比》。
- 矩阵分解很难增量在线计算，从而不能处理用户的实时行为反馈，只能基于历史行为来计算。没有实时处理能力的推荐系统必然不会是一个好的推荐系统，比如，京东双11活动，当天的用户行为模式必然与平时的行为模式很不一样，推荐系统如果不能处理当天用户的实时行为，及时捕获用户的新的偏好
文章来源：https://www.toymoban.com/news/detail-559932.html
到了这里，关于机器学习31：《推荐系统-IV》深度神经网络DNN的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
