矩阵分解（MF）方法及代码

最新推荐文章于 2023-05-25 16:06:05 发布
最新推荐文章于 2023-05-25 16:06:05 发布
阅读量4.4k 收藏 9
点赞数
分类专栏： 数学 机器学习 文章标签： matrix matlab
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_23968185/article/details/70477613
版权

一、基于投影梯度法的非负矩阵分解

论文：Projected gradient methods for non-negative matrix factorization
代码：Matlab及Python源码

二、基于类牛顿法的最小二乘矩阵近似解法

论文：Fast Newton-type Methods for the Least Squares Nonnegative Matrix Approximation Problem
PPT：https://www.niss.org/sites/default/files/Dhillon_workshop.pdf

三、基于alternating nonnegative least squares（ANLS）框架的一种NMF分解方法

论文：Toward Faster Nonnegative Matrix Factorization: A New Algorithm and Comparisons

四、 active-set-like算法求解NMF

论文： Fast nonnegative matrix factorization: An active-set-like method and comparisons

鼹鼠的胡须
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Projected Gradient Methods for Nonnegative Matrix Factorization
XL的博客
07-22 730
非负矩阵因式分解(NMF)可以表述为具有约束约束的极值问题。 虽然约束优化在理论和实践上都得到了广泛的研究，但是到目前为止，还没有研究将其技术应用于NMF。 在这篇文章中，我们提出了两种适用于NMF的投影梯度方法，它们都具有很强的优化特性。 我们讨论了这些算法实现的效率，并证明了所提出的方法之一比流行的乘法更新方法收敛的更快。 还提供了一个简单的Matlab代码。 1. 简介 非负矩阵分解（NMF）对于寻找非负数据的表达十分重要。给定一个n×mn\times mn×m的数据矩阵VVV，有Vij≥0V_{ij
白话NMF（Non-negative Matrix Factorization）——Matlab 实现
liuzhiqiangruc
07-22 1257
NMF——非负矩阵分解。如果你事先了解PMF[概率矩阵分解]的话，那么其实只要在PMF的基础上多加上一点，就是NMF了。   方法一：  在PMF中使用SGD【随机梯度下降】进行优化时，使用如下的迭代公式：       其中P、Q分别代表原始矩阵R的两个维度的隐含矩阵，在推荐应用中，一般讲P看做用户矩阵、Q看做物品矩阵。   从公式中不难看出，无论P矩阵还是Q矩阵都会出现...
（学习笔记） 非负矩阵分解 NMF
weixin_43236925的博客
11-20 1004
转载自: 知乎 1. 公式 非负矩阵分解 即将一个非负的大矩阵（V）分解成两个小的非负矩阵（W和H）。 WH≈V WH≈V WH≈V Vn*m ,Wn*k ,Hk*m 矩阵 ，其中(n+m)r <<nm。 可以参考: Learning the parts of objects by non-negative matrix factorization Daniel D. Lee* &am...
Non-negative Matrix Factorization 非负矩阵分解
AlgoComp
08-13 6608
Non-negative Matrix Factorization 非负矩阵分解
【学习笔记】矩阵分解Matrix Factorization及延伸阅读
JinyuZ1996的博客
10-05 2750
全面理解矩阵分解MF在推荐系统中的应用 　　那么，这是本系列的第二篇文章，讨论的是关于第一篇协同过滤之后的改进算法矩阵分解（MF），我会从多个方面讨论该算法的与案例以及它的优缺点。矩阵分解并不是某一种单一的方法，虽然我们最常用的是其中的梯度下降法，但是你会发现在我们之前学习的线性代数中有很多技术可以拿来实现矩阵分解，比如特征值分解ED和奇异值分解SVD，只不过这两种方法都有自己的不足而无法满足实际推荐系统的需要，我会在下文中说明为什么历史选择了梯度下降法。其实，我发现我在上一节最后一部分给出的案例代码当中
Projected Gradient Methods for Non-negative Matrix Factorization
04-08
Projected Gradient Methods for Non-negative Matrix Factorization Chih-Jen Lin Department of Computer Science Abstract Non-negative matrix factorization (NMF) can be formulated as a minimization problem with bound constraints. Although bound-constrained optimization has been studied extensively in both theory and practice, so far no study has formally applied its techniques to NMF. In this paper, we propose two projected gradient methods for NMF, both of which exhibit strong optimization properties. We discuss ecient implementations and demonstrate that one of the proposed methods converges faster than the popular multiplicative update approach. A simple MATLAB code is also provided.
非负矩阵分解（NMF）的Matlab实例与说明
林源的博客
06-12 8936
原理啥的到处都有，就直接跳过了。这里主要是NMF的基础实验。下一篇是NMF的高光谱实验总结。 1. matlab示例解说 这一节的图片来自官方文档。 这里第一和第三变量在第一行的值0.6945和0.62220对W的第一列有相当强的权重。第一个第二变量在第二行的值0.8020和0.5683对W的第二列有相当大的权重。 其中，H的转置是4乘2大小的。也就是有4个变量【SW,SL,PL,PW】，2个特征【所以是二维坐标轴X和Y轴】，转化到二维图上。使用W当做’scores’做出散点图。然后标签是这四个。
推荐系统经典算法之——MF（矩阵分解）
程小白的博客
04-24 5496
1.来源 矩阵分解算法（MF）是为了解决协同过滤算法（CF）在以下两点上的不足而提出的。 CF处理稀疏矩阵的能力弱。 CF中相似度矩阵的维护难度大。 e.g. user矩阵为mm，item矩阵为nn，当m与n很大时，维护起来难度大 2.解决 张三，李四，王五分别对音乐A，B，C进行了打分，其中标红的为应用MF预测的分数，根据线代知识我们可以知道，只要知道了图1 矩阵A 和图2 矩阵B 两个矩阵，便可以得到 图3 矩阵C 矩阵。因此，MF的目的便是学习得到前两个矩阵。 在矩阵A、B、C中，小清新等
logistic-mf:隐式反馈数据的逻辑矩阵分解。 http
06-28
物流-MF 隐式反馈数据的逻辑矩阵分解。
Recommended-system:协同过滤、矩阵分解算法推导及代码
05-18
Recommended systemals_mf算法流程：初始化矩阵U和M，U矩阵大小为user_id * n_feature，其中user_id为用户id数，n_fearure为潜在特征；同理M矩阵大小为item_id * n_feature，其中item_id为项目id数；生成user_id - ...
Algorithms for Non-negative Matrix Factorization
07-11
Algorithms for Non-negative Matrix Factorization
nmf:使用投影梯度通过替代最小二乘法进行非负矩阵分解
05-07
纳米纤维 使用投影梯度通过可选最小二乘法进行非负矩阵分解。
MATLAB矩阵分解-MATLAB矩阵分解.doc
08-13
MATLAB矩阵分解-MATLAB矩阵分解.doc MATLAB矩阵分解
几种矩阵分解算法的matlab实现
03-17
几种矩阵分解算法的matlab实现；几种矩阵分解算法的matlab实现；几种矩阵分解算法的matlab实现；几种矩阵分解算法的matlab实现；几种矩阵分解算法的matlab实现
利用MFC实现简单的矩阵运算
09-27
根据用户输入的数据，可以自动生成n 行m列的矩阵，并进行加减乘除的基本运算，也可以由用户自行输入矩阵，进行运算。
DSGD-MF:使用 PySpark 进行矩阵分解的分布式 SGD 算法
06-11
该存储库用于课程作业 7，其中我们需要使用 Spark 实现用于矩阵分解的随机梯度下降算法。 运行代码 确保您已安装最新的 Spark，然后运行以下命令。 输出用户因子和电影因子矩阵将写入磁盘。 $SPARK_HOME /bin/...
nmf的matlab代码-cuMF-final:基于cuMF的CUDA非负矩阵分解（NMF）
05-26
nmf的matlab代码非负矩阵分解（CUDA） 自述文件 这是我们在NTU的2017年数值线性代数课程中的最终项目的README.md。 讲师 王伟仲教授（WEICHUNG WANG） 会员 R05246005徐唯恩B03901023许秉钧B03901041王文谦R06246001...
蔡氏电路matlab仿真代码-adversarial_personalized_ranking:对抗学习，矩阵分解，推荐
05-26
APR通过执行对抗训练来增强成对排名方法BPR。 为了说明其工作原理，此处通过在用户和项的嵌入向量上添加对抗性扰动来实现MF上的APR。 这是我们对该文件的正式实现： 何湘南，何占魁，杜小雨和蔡达生。 2018.推荐的...
MF矩阵分解——SVD、LFM、RSVD、SVD++
weixin_46351593的博客
05-25 907
假设A是一个N * M的矩阵，那么得到的U是一个N * N的方阵（里面的向量是。，是因为这些信息需要我们自己去挖掘，通过矩阵分解的方法把潜在的信息挖掘出来。简单来说：奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个。补充：矩阵A的奇异值分解中，奇异值是唯一的，而矩阵U、V不是唯一的。将3×3的矩阵分解为一个3×4的矩阵与一个4×3的矩阵相乘。），V’(V的转置)是一个N * N的矩阵，里面的向量也是。），Σ是一个N * M的矩阵（除了对角线的元素都是0，，这些小矩阵描述的是矩阵的重要的特性。
非负矩阵分解聚类的MATLAB代码
最新发布
07-16
非负矩阵分解（Non-negative Matrix Factorization，NMF）结合聚类是一种常用的数据分析方法。在MATLAB中，可以使用下面的代码实现非负矩阵分解聚类： ```matlab % 加载数据矩阵 load('data.mat'); % 替换为你自己的数据文件名 X = your_data_matrix; % 替换为你自己的数据矩阵 % 设置参数 num_clusters = 5; % 聚类数目 max_iterations = 100; % 最大迭代次数 % 进行非负矩阵分解 [W, H] = nnmf(X, num_clusters, 'algorithm', 'mult', 'replicates', 10, 'options', statset('MaxIter', max_iterations)); % 进行聚类 idx = kmeans(H, num_clusters); % 可视化结果 scatter3(X(:,1), X(:,2), X(:,3), 50, idx, 'filled'); ``` 请确保替换代码中的`data.mat`为你自己的数据文件名，以及将`your_data_matrix`替换为你自己的数据矩阵。这段代码将加载数据矩阵，使用非负矩阵分解将数据分解为两个非负矩阵W和H，然后使用k-means算法对H进行聚类，最后将结果可视化。你可以根据自己的需求调整参数和可视化方式。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值