矩阵分解笔记

1.矩阵的形式

下面为一个矩阵的基本形式

 

1.“矩”的意思是矩形，由数字组成的矩形；

2.“阵”的意思是整齐，这些数字排列起来是非常整齐的，并不会歪歪扭扭；

3.矩阵中，横向的数字是行，竖向的数字是列，行和列都是整数，可以是1或者是n（n是整数）；

4.矩阵中，通过“第几行、第几列”这种简便的方式来确定某个数字的具体位置。

2.矩阵的相关运算

矩阵+矩阵

 常数×矩阵

 阵矩×矩阵

以下矩阵为例

 y1 = a11 * x1 + a12 * x2

 y2 = a21 * x1 + a22 * x2

方程组如下

 要计算矩阵乘法，请将第一个矩阵行元素（或数字）乘以第二个矩阵列元素，然后计算其总和。

 所以第一个矩阵的行数需要与第二个矩阵的列数对应

m×k的矩阵和k×n的矩阵相乘，结果就是得到一个m×n的矩阵

而三个矩阵甚至多个矩阵相乘也符合这个道理

 先将前两个举着进行相乘，变成一个矩阵，如图所示

 于是就变成了两个矩阵相乘

矩阵的转置

 3.分解矩阵

矩阵分解，直观上来说就是把原来的大矩阵，近似分解成两个小矩阵的乘积，在实际推荐计算时不再使用大矩阵，而是使用分解得到的两个小矩阵。

import numpy as np
import math
import matplotlib.pyplot as plt

#定义矩阵分解函数
def Matrix_decomposition(R,P,Q,N,M,K,alpha=0.0002,beta=0.02):
    Q = Q.T #Q 矩阵转置
    loss_list = [] #存储每次迭代计算的 loss 值
    for step in range(5000):
        #更新 R^
        for i in range(N):
            for j in range(M):
                if R[i][j] != 0:
                    #计算损失函数
                    error = R[i][j]
                    for k in range(K):
                        error -= P[i][k]*Q[k][j]
                    #优化 P,Q 矩阵的元素
                    for k in range(K):
                        P[i][k] = P[i][k] + alpha*(2*error*Q[k][j]-beta*P[i][k])
                        Q[k][j] = Q[k][j] + alpha*(2*error*P[i][k]-beta*Q[k][j])
                    
        loss = 0.0
        #计算每一次迭代后的 loss 大小，就是原来 R 矩阵里面每个非缺失值跟预测值的平方损失
        for i in range(N):
            for j in range(M):
                if R[i][j] != 0:
                    #计算 loss 公式加号的左边
                    data = 0
                    for k in range(K):
                        data = data + P[i][k]*Q[k][j]
                    loss = loss + math.pow(R[i][j]-data,2)
                    #得到完整 loss 值
                    for k in range(K):
                        loss = loss + beta/2*(P[i][k]*P[i][k]+Q[k][j]*Q[k][j])
                    loss_list.append(loss)
        plt.scatter(step,loss)
        #输出 loss 值
        if (step+1) % 1000 == 0:
            print("loss={:}".format(loss))
        #判断
        if loss < 0.001:
            print(loss)
            break
    plt.show()    
    return P,Q
        
if __name__ == "__main__":
    N = 5
    M = 4
    K = 5
    R = np.array([[5,3,0,1],
                [4,0,0,1],
                [1,1,0,5],
                [1,0,0,4],
                [0,1,5,4]]) #N=5,M=4
    print("初始评分矩阵：")
    print(R)
    #定义 P 和 Q 矩阵
    P = np.random.rand(N,K) #N=5,K=2
    Q = np.random.rand(M,K) #M=4,K=2
    
    print("开始矩阵分解：")
    P,Q = Matrix_decomposition(R,P,Q,N,M,K)
    print("矩阵分解结束。")
    print("得到的预测矩阵：")
    print(np.dot(P,Q))

运行结果为：