用于推荐系统的SVD算法python实现

最新推荐文章于 2024-08-25 10:41:32 发布

taozhaojie

最新推荐文章于 2024-08-25 10:41:32 发布

阅读量6.4k

点赞数 2

本文链接：https://blog.csdn.net/taozhaojie/article/details/52790032

版权

本文介绍了如何使用numpy从头实现SVD算法，特别关注处理缺失值的问题，以适用于推荐系统。相较于Scipy和Scikit中考虑缺失值的SVD实现，本文的方法更直观且能保持数据准确性。

摘要由CSDN通过智能技术生成

SVD算法python实现

之前看到一篇实现SVD算法的blog，但是实现方法没有用到矩阵。为了更直观简便高效的实现SVD算法，在这里基于numpy重新写了一遍。

原blog转载较多，已经找不到原作者了，参考以下地址：

http://blog.csdn.net/recsysml/article/details/12287513

这里用到的算法是优化下面这个目标函数：

代码如下：

参数： mat - 输入矩阵， feature - latent factor数量

def svd(mat, feature, steps=500, gama=0.02, lamda=0.3):
    slowRate = 0.99
    preRmse = 1000000000.0
    nowRmse = 0.0

    user_feature = numpy.matrix(numpy.random.rand(mat.shape[0], feature))
    item_feature = numpy.matrix(numpy.random.rand(mat.shape[1], feature))

    for step in range(steps):
        rmse = 0.0  
        n = 0