python 稀疏矩阵乘法_GitHub项目tensor-learning新增内容 (1)：基于交替最小二乘法的张量分解技术...

关于本文: tensor-learning是我们近期在GitHub上开展的一个项目，主要提供面向张量分解/张量复原/张量回归的技术说明文档和Python代码，文件形式为Jupyter Notebook，项目地址为：tensor-learning

注：该项目相应的Python代码主要依赖于Numpy，能够最大程度上方便读者阅读和掌握。

---

1. 如何打开原文？

打开原文的方式有两种：

• 原地址：在GitHub repository中直接打开Jupyter Notebook文件，链接为：

Tensor Factorization with Alternative Least Square (ALS) - xinychen/tensor-learning

• 推荐地址：由于Jupyter Notebook文件在GitHub repository中直接打开后显示效果往往不佳（特别是公式），因此，可以考虑在nbviewer中打开Jupyter Notebook文件，相关链接如下：

Tensor Factorization with Alternative Least Square (ALS) - Jupyter Notebook Viewer

---

2. 技术说明文档

在众多现实场景中，所获取到的数据在代数结构上往往是张量，而非矩阵，本文首先回顾基本的张量分解形式，然后，详细讨论如何利用交替最小二乘法（Alternating Least Square, ALS，适用于矩阵/张量分解的经典求解算法）对张量分解形式进行求解，并就公开数据集进行缺失数据修复测试。

2.1 张量的Tucker分解

在张量分解中，一类经典的张量分解形式为Tucker分解，其分解的任务是得到一个核心张量和多个因子矩阵。

当我们有一个核心张量和多个因子矩阵时，可按照相应的运算规则得到一个张量，Python代码如下：

2.2 张量的CP分解

除了Tucker分解，另外一种更为简洁的张量分解形式为CP分解，通过对给定张量进行分解，能够得到几个因子矩阵。

2.3 Tucker分解的优化问题

在Tucker分解中，为了得到合理的核心张量和因子矩阵，需将分解问题转化为一个常见的机器学习优化问题。

在这里，为了得到核心张量和因子矩阵，需要将优化问题进行变换，写出关于各个变量的最小二乘估计，在迭代更新过程中，当就某一个变量进行估计时，只要控制其他变量不变即可。

2.4 CP分解的优化问题

CP分解相比Tucker分解不管在推导过程还是代码编写上都更加简洁，当然，计算消耗也更小。为了得到CP分解的因子矩阵，同样需要根据优化问题写出各个变量（因子矩阵）的最小二乘估计，在此基础上，可采用交替最小二乘法进行迭代更新，从而估计出因子矩阵。

相应的Python代码为：

2.5 时空交通数据缺失值修复

选用已经组织成三阶张量的广州城市路网车速数据集进行测试（数据集介绍），实验代码如下：

---

3. tensor-learning项目

Tensor Learning (张量学习): Tutorials and Python codes for tensor factorization/completion/regression techniques with an application of spatiotemporal data analysis. [tensor-learning -- Blogger]