%svd chengxu
A = [5 5 0 5;5 0 3 4; 3 4 0 3; 0 0 5 3; 5 4 4 5; 5 4 5 5];
A = A';
[U S V] = svd(A);
U = U(:,1:4);
S = S(1:4,1:4);
V = V(:,1:4);
reA = U*S*V';
%give one new user
bob = [5 5 0 0 0 5];
uservector = bob*V*S;
for i = 1:1:size(A,1)
temp = U(i,:);
similarity = temp*uservector'/(sqrt(temp*temp')*sqrt(uservector*uservector'));
userlist(i) = similarity;
end
rank = sort(userlist);
l = size(rank,2);
t = zeros(1,size(A,2));
for i=l:-1:l-1
indx = find(rank(i)==userlist);
sim = rank(i);
t = t + A(indx,:)*sim;
end
index = find(bob==0);
rank = t(index);
rank
matlab的代码很简单,因为有现场的svd函数可以使用
首先进行svd分解,之后我们会得到U,S,V三个矩阵
个人是这么理解的
如果在最初的矩阵中:列代表item而行代表了user
那么u则代表了user和中间量的关系,V代表了item与中间量的关系
S代表了不同中间量在期中所占的比重,或者是贡献。
这个中间量,我们可以理解为是item和类别,例如电影我们可以分为喜剧或者等等。
这就产生了一个附带产品
我们可以根据U和V对user和item进行聚类。这个以后再说
下面我们来了一个新的用户,我们知道它的一些信息,
那么,我们可以通过V和S把用户的信息映射到U相同的平面
然后计算新用户和Old user的相似度
通过老用户对item的兴趣,计算新用户对没有见过的item的兴趣程度
对这个结果rank后,即使最终推荐的顺序。
参看: