我使用矩阵分解作为基于用户点击行为记录的推荐系统算法。我尝试了两种矩阵分解方法：
第一个是基本 SVD，其预测只是用户因子向量u和项目因子i的乘积：r = u * i
我使用的第二个是带有偏置分量的 SVD。
r = u * i + b_u + b_i
其中b_u和b_i表示用户和项目的偏好偏差。
我使用的一种模型性能非常低，另一种是合理的。我真的不明白为什么后者表现更差，我怀疑它是否过度拟合。
我搜索了检测过拟合的方法，发现学习曲线是一个好方法。但是，x 轴是训练集的大小，y 轴是准确度。这让我很困惑。如何更改训练集的大小？从数据集中挑出一些记录？
另一个问题是，我试图绘制迭代损失曲线（损失是 ）。看起来曲线是正常的：
但我不确定这种方法是否正确，因为我使用的指标是准确率和召回率。我应该绘制迭代精度曲线吗？？？或者这个已经告诉我我的模型是正确的？
谁能告诉我我是否朝着正确的方向前进？太感谢了。:)
我反过来回答：
因此，您正在尝试两种不同的模型，一种使用直接矩阵分解 r = u * i，另一种使用偏差 r = u * i + b_u + b_i。
您提到您正在为查看用户点击的推荐系统进行矩阵分解。所以我的问题是：这是一个隐式评级案例吗？还是显式的？如果它与点击有关，我认为这是一个隐式评级问题。
这是您需要非常注意的第一件重要事情，无论您的问题是关于显式评级还是隐式评级。因为它们的使用和实现方式存在一些差异。
如果你在这里查看：http: //yifanhu.net/PUB/cf.pdf
隐式评级的处理方式是，例如使用某人点击或购买给定项目的次数来推断置信度。如果您检查误差函数，您可以看到置信水平几乎被用作权重因子。所以整个想法是，在这种情况下，偏见没有意义。
在显式评分的情况下，其中一个评分作为例如从 1 到 5 的分数，人们可以计算用户和产品的这些偏差（这些有界评分的平均值）并将它们引入评分公式。它们在他的场景中是有意义的。
关键是，取决于您是在一种情况下还是在另一种情况下，您是否可以使用偏见。
另一方面，您的问题是关于过度拟合的，因为您可以绘制带有测试错误的训练错误，这取决于数据的大小，您可以拥有一个保留测试数据，如果错误差异很大，那么您就过度拟合了。
另一件事是矩阵分解模型通常包含正则化项，请参阅此处发布的文章，以避免过度拟合。
因此，我认为在您的情况下，您遇到的问题与我之前提到的问题不同。