NMF 非负矩阵分解(Non-negative Matrix Factorization)实践

最新推荐文章于 2024-11-15 15:45:06 发布
最新推荐文章于 2024-11-15 15:45:06 发布
阅读量1.9w 收藏 88
点赞数 13
分类专栏： 机器学习 文章标签： NMF 非负矩阵分解 推荐算法
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/qq_26225295/article/details/51165858
版权
本文介绍了如何使用NMF（非负矩阵分解）实现推荐算法。通过Python的sklearn库，展示了NMF如何对用户评分矩阵进行分解，并通过分析分解后的矩阵进行电影主题划分和用户群体划分。推荐部分阐述了如何基于NMF结果进行推荐，并讨论了NMF与SVD、ALS等其他推荐算法的差异和适用场景。
摘要由CSDN通过智能技术生成

1. NMF-based 推荐算法

在例如Netflix或MovieLens这样的推荐系统中，有用户和电影两个集合。给出每个用户对部分电影的打分，希望预测该用户对其他没看过电影的打分值，这样可以根据打分值为其做出推荐。用户和电影的关系，可以用一个矩阵来表示，每一列表示用户，每一行表示电影，每个元素的值表示用户对已经看过的电影的打分。下面来简单介绍一下基于NMF的推荐算法。

在python当中有一个包叫做sklearn，专门用来做机器学习，各种大神的实现算法都在里面。本文使用

from sklearn.decomposition import NMF

数据

电影的名称，使用10个电影作为例子：

item = [
    '希特勒回来了', '死侍', '房间', '龙虾', '大空头',
    '极盗者', '裁缝', '八恶人', '实习生', '间谍之桥',
]

用户名称，使用15个用户作为例子：

user = ['五柳君', '帕格尼六', '木村静香', 'WTF', 'airyyouth',
        '橙子c', '秋月白', 'clavin_kong', 'olit', 'You_某人',
        '凛冬将至', 'Rusty', '噢！你看！', 'Aron', 'ErDong Chen']

用户评分矩阵：

RATE_MATRIX = np.array(
    [[5, 5, 3, 0, 5, 5, 4, 3, 2, 1, 4, 1, 3, 4, 5],
     [5, 0, 4, 0, 4, 4, 3, 2, 1, 2, 4, 4, 3, 4, 0],
     [0, 3, 0, 5, 4, 5, 0
最低0.47元/天 解锁文章
自然语言处理之话题建模：Non-Negative Matrix Factorization (NMF)：NMF在推荐系统中的应用
zhubeibei168的博客
09-29 1023
在自然语言处理 (NLP) 领域，NMF 可以用于话题建模。话题建模是一种统计建模方法，用于发现文档集合中隐藏的话题结构。NMF 通过将文档-词矩阵分解为两个低秩矩阵，可以识别出文档中的话题分布和词的话题归属。这种分解有助于理解和分类大量文本数据，从而在信息检索、文本挖掘和推荐系统中发挥重要作用。NMF 是一种强大的矩阵分解技术，特别适用于非负数据的分析。通过将一个非负矩阵分解为两个非负矩阵的乘积，NMF 可以发现数据中的隐藏结构，从而在推荐系统、图像处理和文本分析等领域发挥重要作用。
Algorithms for Non-negative Matrix Factorization
07-11
Algorithms for Non-negative Matrix Factorization
论文<Algorithms for non-negative matrix Factorization>
poilkj110的博客
11-22 1793
摘要：非负矩阵分解对于多元数据是有用的降维方法。分析两种不同的多元算法对于NMF。他们只是在在更新规则中乘法因子的有轻微的不同。一个算法显示去最小传统最小二乘损失，另一种是最小泛化的KL散度。这两算法的收敛可以使用一个辅助函数来证明收敛，类似于证明EM算法收敛时的辅助函数。算法也可被认为重新调节的梯度下降，其中重新调节因子选择最优来保证收敛。 1 简介： 非监督学习算法例如主成分分析和向量量子化
常见的盲源估计方法——非负矩阵分解（NMF）方法
最新发布
DuHz的博客
11-15 1156
非负矩阵分解（NMF）是一种强大的盲源分离方法，它通过将非负矩阵分解成两个非负矩阵的乘积，能够有效地从复杂数据中提取潜在的特征和模式。NMF的应用非常广泛，涵盖了图像处理、音频分离、文本挖掘等领域。虽然NMF的优化问题是非凸的，但通过乘法更新规则和梯度下降法等优化算法，NMF可以在大多数应用中取得良好的效果。通过对矩阵的非负分解，NMF能够提取出具有物理意义的成分，进一步推动了盲源分离技术在多个领域的应用。
Article Read: Algorithms for Non-negative Matrix Factorization
人生易老天难老
06-29 532
Article Read: Algorithms for Non-negative Matrix Factorization Introduction And Background ​ 矩阵分解(Non-negative Matrix Factorization, 简称NMF)是无监督学习的一种算法，利用线性代数的矩阵运算将矩阵V分解为W和H, 分解后的矩阵更容易研究，这个问题是不可解析解的吗，所以一般采用近似算法1；NMF在很多领域都有应用，如计算机视觉(computer vision), 文本分类(do
Algorithms for Non-negative Matrix Factorization 非负矩阵分解
weixin_33727510的博客
11-21 2626
NIPS 2000 经典论文翻译。 摘要 非负矩阵分解（NMF）是一种可以有效处理多变量数据的方法。本文介绍、分析了两种不同的 NMF 算法，这两种算法仅在更新规则（update rule）中使用的乘性因子（multiplicative factor）有所区别。其中一种可以对传统的最小二乘误差进行最小化（minimize），而另一种可以对广义 Kullback-Leibler 散度（KL 散度...
Algorithms for nonnegative matrix and tensor factorizations
11-11
Kim J, He Y, Park H. Algorithms for nonnegative matrix and tensor factorizations: a unified view based on block coordinate descent framework[J]. Journal of Global Optimization, 2014, 58(2):285-319.
非负矩阵分解_non-negative matrix factorization_NMF算法_matlab
03-14
资源名：非负矩阵分解_non-negative matrix factorization_NMF算法_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者...
基于matlab实现的非负矩阵分解(non-negative matrix factorization,NMF)算法.rar
05-05
非负矩阵分解（Non-negative Matrix Factorization，NMF）是一种广泛应用的数据分析方法，它在机器学习、信号处理、图像分析、文本挖掘等多个领域都有显著作用。MATLAB是一种强大的编程环境，特别适合进行矩阵运算和...
Algorithms for Non-negative Matrix 论文概要
11-14
Algorithms for Non-negative Matrix论文描述希望帮助到大家
非负矩阵分解(NMF)论文笔记（1）
热门推荐
Bear_Kai的专栏
06-20 1万+
NMF经典论文：Algorithms for Non-negative Matrix Factorization（NIPS, 2001），此文主讲算法细节偏理论。 （话说怎么去掉图片默认水印，有点影响视觉效果。） 1.引言 NMF要做的，就是给定一个非负矩阵V∈R+d×n" role="presentation" style="position: relative
矩阵分解(Matrix Factorization)与推荐系统
deye1979的专栏
12-21 152
转自：http://www.tuicool.com/articles/RV3m6n 对于矩阵分解的梯度下降推导参考如下： 转载于:https://www.cnblogs.com/huangshiyu13/p/6208999.html
NMF非负矩阵分解算法（Non-negative Matrix Factorization）
weixin_44192389的博客
05-28 2762
NMF的基本思想可以简单描述为： 对于任意给定的一个非负矩阵V，NMF算法能够寻找到一个非负矩阵W和一个非负矩阵H，使得满足 ，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。如下图所示，其中要求分解后的矩阵H和W都必须是非负矩阵。 矩阵V分解为左矩阵W和右矩阵H，可理解为原始矩阵V的列向量是H中的所有列向量的加权和，对应的权重系数则是W的列向量的元素，所有H称为基矩阵，W称为系数矩阵。 NMF在人脸识别的应用中和PCA还有VQ分解不同。VQ分解是用一张完整的图像直接代表源脸部图像；PCA是将几个完整人
NMF(Nonnegative matrix factorization)
doswynkfsw的博客
01-07 204
给定任意的非负矩阵V∈R+n×m\mathbf{V}\in R_+^{n\times m}V∈R+n×m​，然后NMF可以将V\mathbf{V}V矩阵分解为两外两个非负矩阵W∈R+n×r\mathbf{W } \in R_+^{n\times r}W∈R+n×r​和H∈R+r×m\mathbf{H} \in R_+^{r\times m}H∈R+r×m​的乘积。 V≈WH\mathbf{V} \approx \mathbf{W}\mathbf{H}V≈WH ...
非负矩阵分解（Non-negative Matrix Factorization，简称NMF）是一种常用的无监督学习算法
zhangduo113的博客
01-21 1453
NMF
非负矩阵分解小白入门
嗑研狗的日常
07-31 4362
非负矩阵分解 一、定义 非负矩阵分解(Nonnegative Matrix Factorization)，简称NMF。顾名思义就是，将非负的大矩阵分解成两个非负的小矩阵。它使分解后的所有分量均为非负值(要求纯加性的描述)，并且同时实现非线性的维数约减。 在RnR^nRn空间分布的一堆数据有它们分布的某些规律，那么找一组更能直观反映这种规律的基，再把原来的数据投影到这组基上表示，这样就能便于后续的应用，比如分类等。 上式VVV是一个n∗mn*mn∗m维的矩阵，其中每一列就是RnR^nRn空间中的一个向量，共
[ICASSP 2024] CDNMF: 一个可信且高效的社区检测（社区发现，图聚类，Community Detection）方法
m0_50826544的博客
03-17 3554
非负矩阵分解（NMF）算法因其较好的可解释性而被广泛应用于社群检测。然而，现有的基于非负矩阵分解的方法存在以下三个问题：1）直接将原始网络映射到社区成员空间，难以捕捉层次信息；2）往往只关注网络的拓扑结构，忽略其节点属性；3）难以学习到社区检测所需的全局结构信息。因此，我们提出了一种新的社群检测算法——对比的深度非负矩阵分解（Contrastive Deep Nonnegative Matrix Factorization，CDNMF）。
非负矩阵分解(NMF)-Non-negative Matrix Factorization
longgb123的博客
12-19 1914
文章目录一、简介二、相关内容三、相关算法四、参考 一、简介 著名的科学杂志《Nature》于1999年刊登了两位科学家D.D.Lee和H.S.Seung对数学中非负矩阵研究的突出成果。该文提出了一种新的矩阵分解思想――非负矩阵分解(Non-negative Matrix Factorization，NMF)算法，即NMF是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。该论文的发表迅速引起了...
nmf算法 python_使用python+sklearn实现Betadivergence 损失函数
weixin_39924779的博客
12-20 313
下图比较了sklearn.decomposition.NMF中的Multiplicative-Update(‘mu’)求解器支持的各种Beta-divergence损失函数。sphx_glr_plot_beta_divergence_001importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.decomposition...
非负矩阵分解（Non-negative Matrix Factorization，NMF）聚类的MATLAB代码示例中，数据集的格式应该是什么样子的
07-15
在非负矩阵分解（Non-negative Matrix Factorization，NMF）聚类的MATLAB代码示例中，数据集应该是一个非负矩阵，其中每一列代表一个样本，每一行代表一个特征或属性。 通常，数据集的格式为一个矩阵，其中每行表示一个样本，每列表示一个特征。假设你有N个样本和M个特征，那么数据集的维度应该是 N × M。 这里给出一个示例数据集的格式： ``` data = [ 0.2, 0.5, 0.1, 0.8; 0.1, 0.3, 0.6, 0.9; 0.4, 0.2, 0.7, 0.3; ... ]; ``` 在这个示例中，我们有4个样本和4个特征。每个元素表示某个样本在某个特征上的取值。请注意，数据集中的所有元素都应该是非负的。 你可以根据你自己的数据集来替换示例中的数值。确保数据集的格式正确，并且所有的元素都是非负值，以便在进行非负矩阵分解聚类时获得准确的结果。
评论 4
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