在NNet这个系列中讲了Matrix Factorization感觉上怪怪的，但是听完第一小节课程就明白了。
林首先介绍了机器学习里面比较困难的一种问题：categorical features
这种问题的特征就是一些ID编号这类的，不是numerical的。
如果要处理这种情况，需要encoding from categorical to numerical
最常用的一种encoding方法就是binary vector encoding（也是实习工作中用过的路子），将binary vector作为输入。
联系之前学过的模型，可以用NNet来学习这种映射关系。
但是，binary vector毕竟不是numerical vector，由于每个输入只在一个维度上是1，其余都是0，因此，NNet中的tanh就没啥必要了（因为每个输入数据x喂到每个tanh的只有一个维度的值，输出也只受这个一个维度的值影响，且tanh是关于x是单调的）。
所以，有了如下的简化版的Linear Network，即把tanh换成了Σ求和。
这里对符号进行一下说明：
1）V是d×N的矩阵（d是hidden unit的个数，N是user的个数）：V的每个column代表每个user对hidden unit的权重。
2）W’是M×d的矩阵（M是movie的个数）：M的每个row代表的是每个movie关于hidden unit的权重。
考虑每个xn是binary vector，则h(xn) = W’vn（动笔推导一下就OK了）：Linear Network的输出h(xn)是一个M维的vector，代表每个user对于各个movie的rating。
综上，Linear Network对于recommender system来说，需要学习的一个是V矩阵（user-hidden unit或latent factor），另一个是W矩阵（item-hidden或latent factor）。
在介绍学习方法之前，林重新整理了一下Linear Network问题。
linear network对于m-th movie来说：就是有一个对应的Wm'来对转换后的x进行线性加权hm(x) = Wm' fi(x)。
因此，学习目标也了然了：
1）transform的系数矩阵
2）linear model的系数矩阵
综上，由于Linear Network的输入是binary vector的，因此对原Linear Network问题做一个变形：rnm = Wm'Vn → R = V‘W，即转化成一个matrix factorization问题。（个人非常喜欢这段motivation的讲解，matrix factorization为什么在NNet这部分出现也理解了）
关于Linear Network转化成Matrix Factorization问题的推导，按照个人理解，我再多写两笔：
h(x) = W'Vx （在前面的PPT中找）
= (Vx)'W （由于h(x)是一个向量所以颠倒一下没关系了，输出h(x)由原来的列向量变成了行向量了，但对应位置的值不变）
= x'V'W （(AB)'=B'A'， 矩阵转置运算性质）
则h(X) = X'V'W （按行补上所有的输入xn=1...N）
= I(N) V'W （X’矩阵每一行代表一个输入的binary vector，这里按照编号顺序排布X，所以X'就是一个单位阵喽）
= V'W （原始的Linear Network问题转化为Basic Matrix Factorization问题了）
并且，这种分解是可以加上些物理意义的：可以把每个hidden unit当成是一种隐含特征（喜剧、动作...）。V和W代表user与movie与hidden unit的关系。
下面讲求解模型的方法：
最优化的问题有两组变量，可以模仿K-means学过的alternating minimization模式：轮流最优化，即alternating least square algorithm。
1）固定V（相当于user对hidden unit的权重固定）：需要挨个学习Wm（m=1,...,M）；学习每个Wm的时候，喂进去的是<V, Rm-th column)> n=1,...M，详单与少了bias的linear regression
这里容易产生一个思维误区：矩阵大部分的位置上都是空的，这些位置的值在linear regression中怎么处理呢？
想了一下，这些值根本就不在linear regression的求解范围中（注意，只对有rating评分的那些点计算误差）
2）V与M的关系类似，学的方法也类似，不赘述
整个Alternating Least Squares的算法流程如下：
1）初始化的时候randomly一下
2）由于Ein是有下限的，所以能converge
这里，林还提了一句：Linear Autoencoder（PCA）是一种特殊的Matrix Factorization。
另一种求解Matrix Factorzation的方法，也是更常用的一种就是Stochastic Gradient Descent方法。
在最优化Ein的时候，不考虑前面的常数项，考虑后面的式子。
由于有两个变量，因此需要分别求梯度。可以自行查阅SGD的算法，这里就是最简单的求导，不再赘述。
这里多提一句：为啥对Vn的求导只用考虑 (rnm - Wm'Vn)²这一项呢？
因为，这里求导有两个变量，Vn和Wm：
1）不含有Vn的项自然不用考虑了
2）含有Vn同时含有W1,...WM的项中：
a. 如果是batch gradient，这些含有Vn的项都应该考虑（挨个求出来，再取个平均这类的）
b. 如果是stochastic gradient的方法，只需要考虑Wm这一个点即可了（前提是rnm有值），所以梯度的式子也就留下这一项了
（个人感觉细节还是扣清楚好，有助于理解复杂的问题）
这里有一个讲梯度算法并行化的文章：http://www.superchun.com/machine-learning/parallel-matrix-factorization.html
总体的算法流程如下：
最后，林还稍稍讲了一下KDD cup中的SGD使用trick：
这个trick叫time-deterministic GD : 即，在GD的最后一轮，不再用随机选点的策略了，改用选择时间轴上最近的几个点。这样对于有时间属性的数据，可以达到更好的效果。