![](https://cdn-ak-scissors.b.st-hatena.com/image/square/0fd319c471e06badb4bf7a227b4d2bdafc404bae/height=288;version=1;width=512/https%3A%2F%2Fgihyo.jp%2Fassets%2Fimages%2FICON%2F2018%2F1703_mixchannel.png)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
第2回 marbleーMixChannelで活用されるレコメンドシステムー(後編) | gihyo.jp
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
第2回 marbleーMixChannelで活用されるレコメンドシステムー(後編) | gihyo.jp
前編では、レコメンドシステムmarbleの概要について説明を行いました。後編では協調フィルタリングの下... 前編では、レコメンドシステムmarbleの概要について説明を行いました。後編では協調フィルタリングの下処理やMixChannelの使用例を解説します。 モデルベース協調フィルタリングにおける下処理の方法 行列分解 事前計算の手法の1つに、行列分解を用いる方法があります。前編の図2に示したようなユーザー/アイテム間行列について低次元の近似を求めることにより、ユーザーやアイテムをクラスタリングして扱い、レコメンド時の計算量を低減できます。 レコメンドでよく使われる行列分解の手法として、非負値行列因子分解(NMF)があります。NMFの特徴は、分解後の行列のすべての要素が非負になるようにうまく分解を行うところです。NMFでは、元の行列の値をある要素の足し合わせで表現することが求められ、各ユーザー/アイテムがそれぞれの要素をどの程度の強さで持っているかという表現が得られます。 たとえば、元の行列とし