cp分解实现_如何用贝叶斯高斯张量分解修复缺失数据？(Jupyter notebook - Python)

本文来源于BGCP Imputation - transdim，主要讨论如何利用 贝叶斯高斯张量分解(Bayesian Gaussian CP decomposition, BGCP) 估计矩阵中的缺失元素，其中，贝叶斯概率矩阵分解是以 高斯分布为基本假设，并采用 Gibbs采样做参数估计。另外，感兴趣的读者可在transdim - GitHub项目中下载数据集和Jupyter notebook。

准备阶段

在进行贝叶斯高斯张量分解之前，需要调用一些常用的package，如numpy等。以scipy.stats中的Wishart分布和numpy.random中的多元正态分布为基础，设计贝叶斯高斯张量分解采样过程中会遇到的Gaussian-Wishart分布。

另外，在矩阵分解过程中，为了加快采样过程的计算效率，需要用到一种特殊的矩阵运算规则 - Khatri-Rao积，即