本文深入探讨了基于Movielens数据集的推荐系统，对比了KNN算法与奇异值分解（SVD）的矩阵分解方法。通过分析不同规模的数据子集，如100k、1m和10m，展示了这两种方法在稀疏评分矩阵预测上的应用。此外，文章还介绍了评估推荐效果的新方法，并讨论了模型参数如学习速率和正则系数的影响。
理论部分
1. 隐因子模型的推荐算法：使用奇异值分解或者随机梯度下降等方法将用户的评分矩阵分解为用户和产品的特征矩阵 ；
2. 提出一种对推荐效果新的评估方法：
3.Movielens 数据集：
（1）100k，包括1000个用户对1700部电影的点评信息。94.88％的评分都没有 。要给用户给予推荐，其实就是对评分矩阵中未知的项进行预测，也就是对一个稀疏的打分矩阵空白处进行“填空"。
（2）1m，包括6000个用户对4000部电影100万的评分记录。
（3）10m，包括72000个用户对10000部电影的的1000万个评分记录以及100000个标签。
4. 奇异值分解SVD：
最低0.47元/天 解锁文章
扫一扫
958
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
