矩阵分解模型(MF)

最新推荐文章于 2024-05-10 20:29:03 发布
VIP文章 最新推荐文章于 2024-05-10 20:29:03 发布
阅读量2.4k 收藏 1
点赞数
文章标签： 推荐系统 数据挖掘
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/m0_49978528/article/details/109276356
版权

协同过滤算法处理稀疏矩阵的能力比较弱，为增强泛化能力， 从协同过滤中衍生出矩阵分解模型(MF)或者叫隐语义模型。

隐语义模型最早在文本领域被提出，用于找到文本的隐含语义。2006年用于推荐中， 核心思想是通过隐含特征联系用户兴趣和物品，基于用户的行为找出潜在的主题和分类。

矩阵分解算法的求解：特征值分解(EVD)或者奇异值分解(SVD）
Simon Funk公布了一个矩阵分解算法叫做Funk-SVD, 后来被Netflix Prize的冠军Koren称为Latent Factor Model(LFM)。 Funk-SVD的思想很简单： 把求解上面两个矩阵的参数问题转换成一个最优化问题，可以通过训练集里面的观察值利用最小化来学习用户矩阵和物品矩阵。
在这里插入图片描述
此处感觉用的是普通最小二乘法，得到偏导数，但是不去直接算回归系数，而是通过偏导数及学习率得到新的预测值。
在这里插入图片描述
此处是不是用右式去替代左边的值，因为数学公式上应该有个下标增加1之类。
在这里插入图片描述
在这里插入图片描述
考虑了加一些影响因素改进偏好函数，得到：

最低0.47元/天 解锁文章
容光@October
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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陈博允 覆盖 对于这个最终项目，您可以直接在Github上访问我们所有的代码（CUDA，C ++，matlab）。 请检查以下链接： 什么是矩阵分解？ 矩阵分解（MF）将稀疏的评级矩阵R（m×n，N_z个非零元素）分解为m×f和f×n矩阵，如下所示。 矩阵分解（MF）是许多流行算法（例如词嵌入和主题模型）的核心。 当适当地利用其架构特性时，具有大量内核和高芯片内存储器带宽的GPU（图形处理单元）为进一步加速MF提供了启示。 事实证明，矩阵分解在推荐系统，主题建模，单词嵌入和其他机器学习应用中是有效的。 由于输入数据集通常很大，因此MF解决方案非常耗时。 因此，如何有效地解决MF问题是一个重要的问题。 输入数据格式 所有子主题的输入评分组织如下： user_id item_id rating user_id和
Latent Model- NMF
青青的专栏--C/C++ OOA/D Design Pattern
10-16 918
浅谈矩阵分解在推荐系统中的应用 作者：阿俊 发布于：2011-12-6 13:10 Tuesday 分类：推荐系统 矩阵分解是最近几年比较火的算法，经过kddcup和netflix比赛的多人多次检验，矩阵分解可以带来更好的结果，而且可以充分地考虑各种因素的影响，有非常好的扩展性，因为要考虑多种因素的综合作用，往往需要构造cost function来将矩阵分解问题转化为优化问题，根据要考虑的
推荐系统 | 基础推荐模型 | 矩阵分解模型 | 隐语义模型 | PyTorch实现
liujiesxs的博客
09-01 1663
矩阵分解 | 隐语义模型 | PyTorch实现
科普篇 | 推荐系统之矩阵分解模型
腾讯技术工程
06-04 1318
导语：本系列文章一共有三篇，分别是《科普篇 |推荐系统之矩阵分解模型》《原理篇 |推荐系统之矩阵分解模型》《实践篇 |推荐系统之矩阵分解模型》第一篇用一个具体的例子...
【推荐算法】MF矩阵分解(含详细思路及代码)【python】
weixin_50927106的博客
03-31 6147
MF矩阵分解 1.解决问题2.解决思路3.潜在问题4.矩阵分解的方式4.1 特征值分解【SVD，Singular Value Decomposition】 矩阵分解算法MF 1.解决问题 协同过滤处理稀疏矩阵的能力比较弱 协同过滤中，相似度矩阵维护难度大【m * m，n*n】 2.解决思路 使用隐向量【潜在信息】给原矩阵分解 3.潜在问题 矩阵是稀疏的 隐含特征不可知，是通过训练模型，让模型自行学习 4.矩阵分解的方式 4.1 特征值分解【SVD，Singular Value Decomposit
协同过滤的进化--矩阵分解算法（MF）
qq_39691463的博客
09-02 2797
基础知识 线性代数，机器学习，梯度下降 解决的问题 协同过滤处理稀疏矩阵的能力较弱；协同过滤中相似度矩阵维护难度大 解决思路 **引例：通过隐向量给每个用户与每首音乐打上标签
推荐系统--矩阵分解（MF）--学习笔记
何小义的博客
10-25 1242
PS.该贴为记录矩阵分解的一点学习笔记。以后会慢慢优化。 目前该帖子有点凌乱，但是逻辑基本上没有遗漏。 至于公式原理我个人也还在熟悉当中......... 目录 1 矩阵分解简介 2 隐语义模型 4 矩阵分解的求解和basic SVD 5 python实现 1 矩阵分解简介 协同过滤算法的特点就是完全没有利用到物品本身或者是用户自身的属性， 仅仅利用了用户与物品的交互信息就可以实现推荐，是一个可解释性很强， 非常直观的模型， 但是也存在一些问题， 第一个就是处理稀疏矩阵的能力比较弱， 所以
推荐系统入门（三）：矩阵分解MF&因子分解机FM（附代码）
南有芙蕖
10-24 7486
推荐系统入门（三）：矩阵分解MF&因子分解机FM（附代码） 目录推荐系统入门（三）：矩阵分解MF&因子分解机FM（附代码）一、 矩阵分解MF1. 隐含语义分析技术1.1 隐语义模型1.2 矩阵分解算法1.3 矩阵分解算法求解2. Funk-SVD算法3. Bias SVD算法4. 编程实现思考二、 因子分解机FM1. FM模型的引入1.1 逻辑回归模型及其缺点1.2 二阶交叉项的考虑及改进2. FM公式的理解3. FM模型的应用4. 代码实践4.1 调包实现4.1.1 电影评分数据集实战4.
论文研究-引入偏置的矩阵分解推荐算法研究.pdf
07-22
由于矩阵分解良好的可扩展性和较...在基础的矩阵分解模型上先后引入全局偏置和时间偏置，以提高预测准确度和推荐质量。以个性化推荐系统为对象，在Mo-vieLens数据集上的实验表明，所设计的方法提高了算法的预测精度。
蔡氏电路matlab仿真代码-adversarial_personalized_ranking:对抗学习，矩阵分解，推荐
05-26
（--adv_epoch）中为预训练的MF模型（--restore）添加对抗性扰动来显示APR的效果。 加载预训练模型后，前40个时期为正常MF-BPR，然后进行对抗训练APR。 python AMF.py --dataset yelp --adv_epoch 40 --epoc
matlab偏振度的代码-MF4CF:全极化SAR数据的无模型4分量散射功率分解
06-01
的无模型 4 分量散射功率分解 一般信息 极化合成Kong径雷达 (PolSAR) 数据的目标分解方法解释了来自目标的散射信息。 在MF4CF中，非常规3D Barakat偏振度用于获得散射电磁波的偏振态。 3D Barakat 偏振度用于获得...
矩阵分解（MF）：MATRIXFACTORIZATIONTECHNIQUES FORRECOMMENDERSYSTEMS
zhao254014的博客
08-10 977
可以通过分解协同过滤的共现矩阵来得到用户和物品的隐向量，解决了稀疏性的问题，进一步提高推荐的效果
矩阵分解模型
lukeyyanghang的博客
01-27 3267
矩阵分解模型做如下假设: 1.每个用户可描述为n个属性或特征。比如，第一个特征可以对应某个用户对动作片的喜好程度。 2.每个物品可描述为n个属性或特征。比如，接上一点，第一个特征可以用对应某部电影与动作片的接近程度。 3.将用户和物品对应的属性相乘后求和，该值可能很接近用户会对该物品的评级。   1.显式矩阵分解 当要处理的数据是由用户所提供的自身的偏好数据时，这些数据被称作显式偏好数...
推荐系统中的矩阵分解总结
热门推荐
Rnan_prince的博客
08-26 3万+
最近学习矩阵分解，但是学了好多种类，都乱了，看了这篇文章，系统性的总结了矩阵分解，感觉很棒，故分享如下: 前言 推荐系统中最为主流与经典的技术之一是协同过滤技术（Collaborative Filtering），它是基于这样的假设：用户如果在过去对某些项目产生过兴趣，那么将来他很可能依然对其保持热忱。其中协同过滤技术又可根据是否采用了机器学习思想建模的不同划分为基于内存的协同过滤（Memory...
矩阵分解算法（MF）
YCCNUST的博客
06-14 433
推荐系统基础算法——矩阵分解MF
矩阵分解模型——SVD与SVD++
weixin_44750583的博客
05-15 3574
这里写目录标题SVDFunk-SVDBias-SVDSVD++ SVD 正交矩阵：AAT=InAA^T=I_nAAT=In​ 正定矩阵：对任意非零实向量xxx，有xAxT>0xAx^T>0xAxT>0，则AAA为正定矩阵，若xAxT≥0xAx^T\ge0xAxT≥0则AAA为半正定矩阵 酉矩阵：UHU=UUH=InU^HU=UU^H=I_nUHU=UUH=In​，其中H^HH表示共轭转置，则UUU为酉矩阵 正规矩阵：UHU=UUHU^HU=UU^HUHU=UUH，其中H^HH表示共轭转置
mf模型 svd++_神经协同过滤NCF|模型篇
weixin_39960319的博客
12-21 652
本文从模型的角度出发，分析通用框架NCF及其实例化后的GMF、MLP、NeuMF并对其实现协同过滤推荐过程中涉及的如对用户-项目交互的交互函数的学习及交互隐特征的建模的原理及作用机制进行简要概述。内容如下图所示：首先，为了方便对各实例化模型进行分析，我们先形式化问题即将用户-项目交互矩阵定义为如公式所示。在对神经协同过滤通用框架进行简要概述后，引入现有解决对包含隐式反馈的协同过滤的推荐系统中应用普...
数据挖掘（二）数据预处理
最新发布
weixin_62466612的博客
05-10 639
数据挖掘（二）
基于矩阵分解的模型代码实现
05-25
矩阵分解是一种常用的数据压缩和降维技术，常用于推荐系统中的用户-物品矩阵分析。下面是基于奇异值分解（SVD）的矩阵分解模型代码实现： ```python import numpy as np from scipy.sparse.linalg import svds # 构造用户-物品矩阵 R = np.array([ [5, 3, 0, 1], [4, 0, 0, 1], [1, 1, 0, 5], [1, 0, 0, 4], [0, 1, 5, 4] ]) # SVD分解，保留前2个奇异值 U, sigma, Vt = svds(R, k=2) # 重构矩阵 R_reconstructed = np.dot(np.dot(U, np.diag(sigma)), Vt) # 打印原始矩阵和重构矩阵 print("Original Matrix:") print(R) print("Reconstructed Matrix:") print(R_reconstructed) ``` 上述代码中，我们使用`numpy`库构造了一个$5\times4$的用户-物品矩阵，然后使用`scipy.sparse.linalg`库中的`svds()`函数进行SVD分解，保留前2个奇异值，得到矩阵$U$、$\Sigma$和$V^T$。最后，通过矩阵乘法将其重构为$R_{reconstructed}$，并打印出原始矩阵和重构矩阵。

“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