推荐系统 - 基于SVD的协同召回算法

最新推荐文章于 2023-06-29 13:14:49 发布

马飞飞

最新推荐文章于 2023-06-29 13:14:49 发布

阅读量592

点赞数

分类专栏：推荐系统实践

本文链接：https://blog.csdn.net/maqunfi/article/details/99009287

版权

说明

SVD在进行用户i对商品j的评分时，考虑了用户特征向量和商品特征向量，以及评分相对于平均评分的偏置向量。

数据在https://pan.baidu.com/s/1sQsHUgL__kwWAghe7TvMZA 提取码：18bz

代码

# -*- coding: utf-8 -*-
import numpy as np
import time
import pickle

class SVD(object):
    """
    核心是:SVD在进行用户i对商品j的评分时，考虑了用户特征向量和商品特征向量，以及评分相对于平均评分的偏置向量。

    发现跟 LFM算法基本是一致的，核心就是下面的式子， 也是通过一定的计算来模拟构建 兴趣矩阵，只不过这里构建矩阵时，要考虑的参数
    包括 U 矩阵参数、M矩阵参数 、bu 、bi 这几种参数，其他都是差不多，  其余就是通过构建兴趣预估后的训练过程，这里正负样例是不需要构建的，
    因为用户的评分值rate是已知的，可以当做标签来使用。

    其实本质上是找到 用户特征矩阵U 、 物品特征向量M,学会对这两个向量的模拟。  这里新加的bi和bu整好应对之前感觉使用坐标来定位感觉信息不够，
    bi和bu是新加的信息，其中bi表示电影i的评分相对于平均评分的偏差，bu表示用户u所做的评分相对于平均评分的偏差，相当于是一种补足信息吧。

        p = self.meanV + self.bu[uid] + self.bi[iid] + np.sum(self.U[uid] * self.M[iid])
    """

    def __init__(self, epoch, eta, user