Alternating Least Squares(ASL) for Implicit Feedback Datasets的数学推导以及用Python实现

最新推荐文章于 2021-04-12 15:42:55 发布

li8630

最新推荐文章于 2021-04-12 15:42:55 发布

阅读量2.7k

点赞数 2

分类专栏：机器学习文章标签：协同过滤算法 ASL CF

本文链接：https://blog.csdn.net/li8630/article/details/47089097

版权

本文详细介绍了针对隐式反馈数据集的交替最小二乘法(ASL)算法的数学推导，从目标函数出发，通过求导分析得出Xu和Yi的更新公式。此外，还提供了算法的Python实现，便于理解和应用协同过滤(CF)中的ASL方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近在看CF的相关论文，《Collaborative Filtering for Implicit Feedback Datasets》思想很好，很容易理解，但是从目标函数
这里写图片描述
是如何推导出Xu和Yi的更新公式的推导过程却没有很好的描述，所以下面写一下
推导：
首先对Xu求导：

其中Y是item矩阵，n*f维，每一行是一个item_vec,C^u是n*n维的对角矩阵，
对角线上的每一个元素是c_ui,P(u)是n*1的列向量，它的第i个元素为p_ui。
然后令导数=0,可得：
这里写图片描述
由于x_u和y_i在目标函数中是对称的，所以很容易得到：

其中X是user矩阵，m*f维度，每一行是一个user_vec，C^i是m*m的对角矩阵，对角线上的每一个元素是c_ui，P(i)是m*1的列向量，它的第u和元素是p_ui
然后令导数=0,可得：
这里写图片描述
下面是论文算法思想的Python实现：

import numpy as np
import scipy.sparse as sparse
from scipy.sparse.linalg import spsolve
import time

def load_matrix(filename, num_users, num_items):
    t0 = time.time()
    counts = np.zeros((num_users, num_items))