Bayesian Probabilistic using MCMC，
该文以netflix电影为例：
低秩矩阵近似方法是协同过滤中最简洁以及最有效的一种。这类模型通常通过寻找模型参数的最大后验概率（MAP）以拟合数据，即使在大规模数据集上学习过程也可以很有效的运行。然而，除非非常小心的调节正则项参数，否则这种方法会易于过拟合，因为其只是寻找参数的单点估计。因此在这篇文章中我们提出了一种完整的用贝叶斯的观点处理概率矩阵分解的方法，其中通过集成所有模型参数与超参数以自动控制模型表达空间。我们展示了在Netflix数据集上，可以有效的利用马尔科夫链蒙特卡洛方法（MCMC）训练贝叶斯概率矩阵模型（BPMF），其中Netflix数据集包含超过1亿个电影评分。相比于利用MAP训练的概率矩阵分解模型（PMF），实验结果获得了显著的预测精度的提升。


为减轻网站流量负担，
请根据论坛币按需下载，
祝各位战友学习愉快！