BaselineOnly(ALS、SGD优化)与SlopeOne对MovieLens数据集进行评分预测

最新推荐文章于 2022-12-27 22:49:17 发布
最新推荐文章于 2022-12-27 22:49:17 发布
阅读量560 收藏 2
点赞数
分类专栏： python机器学习项目案例
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_27328197/article/details/114366656
版权

文章目录

前言

MovieLens数据集记录了用户对电影的评分，如何通过这个数据集来给用户推荐他是否喜欢的电影。这个时候可以通过BaselineOnly或者SlopeOne算法来预测一个用户对电影的喜欢的分数，然后根据分数来决定是否推荐。

案例代码

（最近时间精力有限，具体代码注释过程见gitee）:
BaselineOnly(ALS、SGD优化)对MovieLens数据集进行评分预测
SlopeOne对MovieLens数据集进行评分预测

总结

（如果您发现我写的有错误，欢迎在评论区批评指正）。

不懂六月飞雪
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
推荐算法之BaseLineOnly算法
chenjunheaixuexi的博客
05-17 211
一、基本思想 BaseLineOnly算法被称为基准预测。其是建立在一定的假设上： 每个用户的评分基准都是不同的，比如有的用户喜欢给高分，就算对于不喜欢的物品他也会给出6分的及格分（10分满分），而有的用户比较苛刻，对于很喜欢的物品也只给出7分，而不喜欢的物品直接给出2分。 每个物品的好坏也是不同的，有些物品很受欢迎，可能大部分人都给出7分左右，而有的物品很差，每次都得到3分左右。 我们的算法就利用了这种偏差，我们称这种偏差为偏置（bias） 二、求解目标   我们假设整体的平均评分为μ\muμ，用户u
推荐算法之BaselineOnly算法（Python实现）
给我一点温度
07-29 1832
要评估一个策略的好坏，就需要建立一个对比基线，以便后续观察算法效果的提升。 而Baseline算法的思想就是设立基线，并引入用户的偏差以及电影的偏差。 在上式中，等式中的是待求的基线模型中用户u给物品i打分的预估值； 等式右边的μ为所有用户对电影评分的均值；bu为user偏差（如果某用户比较苛刻，打分都相对偏低， 则bu会为负值；相反，如果某用户经常对很多片都打正分， 则bu为正值）；...
基于Movielens的推荐系统—评分预测
01-07
压缩文件中包含一下列表： 1，movielens 公开实验数据集(推荐系统研究经常用到~) 2，模拟预测评分的python代码（python3.x）
基于Movielens的推荐系统—评分预测 (Python3)
07-08
压缩文件中包含一下列表： 1，movielens 公开实验数据集(推荐系统研究经常用到~) 2，模拟预测评分的python代码（python3.x） 希望对大家学习有所帮助。有问题可以邮箱联系。
基于Spark MLlib 的 ALS 算法实现的电影推荐系统，采用MovieLens数据集进行分析建模.zip
最新发布
10-23
基于Spark MLlib 的 ALS 算法实现的电影推荐系统，采用MovieLens数据集进行分析建模.zip 基于Spark MLlib 的 ALS 算法实现的电影推荐系统，采用MovieLens数据集进行分析建模.zip 基于Spark MLlib 的 ALS 算法实现的...
（一）Normal Predictor、Baseline Only以及经典Apriori
qq_44665283的博客
12-27 155
Normal Predictor、Baseline Only以及经典Apriori
Bseline基准预测、zip()、dict()、groupy().agg()、
qq_41313964的博客
03-03 190
这个用户或物品普遍高于或低于平均值的差值，我们称为偏置(bias) Baseline目标： 找出每个用户普遍高于或低于他人的偏置值A 找出每件物品普遍高于或低于其他物品的偏置值B 我们的目标也就转化为寻找最优的A和B 使用Baseline的算法思想预测评分的步骤如下： 计算所有电影的平均评分M（即全局平均评分） 计算每个用户评分与平均评分的偏置值A 计算每部电影所接受的评分与平均评分的偏置值​B 预测用户对电影的评分：r = M+A+B
surprise推荐系统工具-Baseline算法、Slope One算法详解及movieLens案例
Huangxin_Yu的博客
11-08 1229
surprise推荐系统工具 surprise推荐系统工具下有很多推荐算法： 本文主要讲一下Baseline算法和SlopeOne Baseline算法 论文地址：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.4158&rep=rep1&type=pdf Baseline算法是一种基于统计基准分数进行预测的算法。 bui为预测值； u为均值； bu为用户偏好； bi为商品差异。 结合原文进行解释。1.我们知道所有
并行SGD矩阵分解算法
12-03
串行的SGD矩阵分解算法会遇到可扩展性问题，为了减少运算时间可以进行并行化处理。
Slope One进行评分预测
weixin_34319999的博客
02-20 245
Slope One是一种基于物品的协同过滤算法，在2005年的paper《Slope One Predictors for Online Rating-Based Collaborative Filtering》被提出，用于预测用户对某一给定的物品的评分。 依然使用上一篇中提到的自己编造的少量评分数据来描述该算法的运作机制。 首先依然是加载数据和生成用户物品关系矩阵如下。 import pand...
【推荐系统】Collaborative Filtering 协同算法 -- 一种用户评分预测方法 手算+例子应用
一只松鼠怪的博客
06-12 806
Collaborative Filtering 协同算法 – 一种用户评分预测方法 1.什么是协同算法 简单来说就是通过分析与目标用户相似的人群的行为，从而分析出目标的行为。 比如这里的用户x是一个新用户，当x发生第一次偏好选择，则找到与x行为相似的用户a,b,c,d。通过分析a,b,c,d的偏好并将其中好评最高的推荐给x。 2.如何找到相似的用户 寻找相似性可分为两个方向，基于产品(item-based)与基于用户(user-based)。值得注意的是我们可以通过简单地改变公式中的变量来改变我们的bas
矩阵分解算法的求解 随机梯度下降SGD和交替最小二乘ALS
百载文枢江左的博客
12-26 3396
矩阵分解算法的求解 随机梯度下降SGD和最小二乘ALS优化时为何选择偏导数的负方向？随机梯度下降算法(Stochastic Gradient Descent, SGD)交替最小二乘算法(Alternating Least Squares, ALS) 优化时为何选择偏导数的负方向？ 首先假设目标函数为minf(x)min f(x)minf(x) 那么我们的关注点就是如何找到当前状态xkx^kxk后的...
深度剖析Baseline设计原理
weixin_33974433的博客
09-26 558
前言：Baseline是很多前端人都用过的最基本的CSS属性之一，乍一看来，似乎很简单，但真的深究起来，Baseline可以算得上CSS最有深度的属性之一了。不信，那就继续往下看。目录字体大小字体大小相同，高度不同字体是如何制造出来的Baseline的位置不同display值的Baseline的位置从vertical-align的值来了解Baseline的兄弟属性的值的含义。一、字体大小（1）字体...
【推荐系统入门到项目实践】（四）：Baseline和Slope one算法
阿里云专家博主、数据科学领域优质创作者、统计er在读
11-03 1万+
在上一篇文章中我们介绍了矩阵分解和ALS算法，上面这种方法的一个缺点是只使用了`个性化推荐`部分，没有考虑到物品和用户本身的整体情况。因此，下面介绍介绍两种用于反映一个整体情况推荐的方法。
【BI学习心得04-ALS算法与推荐系统】
水花的博客
11-22 1599
背景故事
第二章 协同过滤算法实战与优化
09-29
本章讲解推荐系统中基于用户的协同过滤与基于商品的协同过滤两种算法，以及对应的优化思路。
Python推荐系统库——Surprise
热门推荐
静下心来好好学习
01-24 5万+
@ 2018-01-24 Surprise 简单易用同时支持多种推荐算法 其中基于近邻的方法协同过滤可以设定不同的度量准则 支持不同的评估准则 使用示例 基本使用方法如下 载入自己的数据集方法 算法调参让推荐系统有更好的效果 在自己的数据集上训练模型 首先载入数据 使用不同的推荐系统算法进行建模比较 建模和存储模型 用协同过滤构建模型并进行预测 1 movielens的例子 2
用ALS算法代码对my.csv中的数据进行推荐，并计算RMSE
06-13
首先，我们需要读取 `my.csv` 文件并将数据转换为用户-物品评分矩阵 `R`，其中 `R[i, j]` 表示用户 `i` 对物品 `j` 的评分。假设文件中包含 `n_users` 个用户和 `n_items` 个物品，则可以使用以下代码： ```python import numpy as np # Load data from CSV file. data = np.loadtxt('my.csv', delimiter=',') user_ids = data[:, 0].astype(int) - 1 item_ids = data[:, 1].astype(int) - 1 ratings = data[:, 2] # Create user-item rating matrix. n_users = np.max(user_ids) + 1 n_items = np.max(item_ids) + 1 R = np.zeros((n_users, n_items)) for i in range(len(user_ids)): R[user_ids[i], item_ids[i]] = ratings[i] ``` 接下来，我们可以使用上面的 `als` 函数来训练模型并计算RMSE： ```python # Split data into training and test sets. np.random.seed(123) mask = np.random.rand(len(ratings)) < 0.8 R_train = np.zeros((n_users, n_items)) R_test = np.zeros((n_users, n_items)) R_train[user_ids[mask], item_ids[mask]] = ratings[mask] R_test[user_ids[~mask], item_ids[~mask]] = ratings[~mask] # Train model using ALS algorithm. K = 10 max_iter = 10 lambda_ = 0.1 U, V = als(R_train, K, max_iter, lambda_) # Predict ratings for test set. R_pred = np.dot(U, V.T) R_pred[R_train > 0] = 0 # Compute RMSE. mse = np.sum((R_pred - R_test) ** 2) / np.sum(R_test > 0) rmse = np.sqrt(mse) print('RMSE:', rmse) ``` 上面的代码将数据集分成了训练集和测试集，使用训练集训练了模型，然后使用测试集计算了 RMSE。你可以根据需要调整参数 `K`、`max_iter` 和 `lambda_`，以获得更好的结果。

“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 1
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