![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
矩阵
金石开1510
迁移学习、推荐系统、人工智能、深度学习
展开
-
奇异值分解和非负矩阵分解
第一部分:矩阵的奇异值分解: 矩阵的奇异值分解证明过程中会用到五个定理,先作为补充知识展示这五个定理: 定理一:A是对称矩阵,则不同特征值对应的特征向量是正交的。 证明:设,是矩阵A的特征向量,且,,为,对应的特征向量,即: , 则 , 因为A是对称矩阵,则 所以, 则: 因为 , 所以: ,原创 2015-10-29 11:39:56 · 2027 阅读 · 0 评论 -
非负矩阵分解
NMF,非负矩阵分解,它的目标很明确,就是将大矩阵分解成两个小矩阵,使得这两个小矩阵相乘后能够还原到大矩阵。而非负表示分解的矩阵都不包含负值。 信息时代使得人类面临分析或处理各种大规模数据信息的要求,如卫星传回的大量图像、机器人接受到的实时视频流、数据库中的大规模文本、Web上的海量信息等。处理这类信息时,矩阵是人们最常用的数学表达方式,比如一幅图像就恰好与一个矩阵对应,矩阵中的每个位置存放转载 2015-10-29 11:38:19 · 775 阅读 · 0 评论 -
浅谈矩阵分解在推荐系统中的应用
http://zhan.renren.com/recommendersystem?gid=3602888498025060312&checked=true 矩阵分解是最近几年比较火的算法,经过kddcup和netflix比赛的多人多次检验,矩阵分解可以带来更好的结果,而且可以充分地考虑各种因素的影响,有非常好的扩展性,因为要考虑多种因素的综合作用,往往需要构造cost funct转载 2016-02-20 18:41:58 · 518 阅读 · 0 评论 -
矩阵分解方法
矩阵分解方法 一、矩阵分解概述 我们都知道,现实生活中的User-Item矩阵极大(User数量极大、Item数量极大),而用户的兴趣和消费能力有限,对单个用户来说消费的物品,产生评分记录的物品是极少的。这样造成了User-Item矩阵含有大量的空值,数据极为稀疏。矩阵分解的核心思想认为用户的兴趣只受少数几个因素的影响,因此将稀疏且高维的User-Item评分矩转载 2016-02-21 00:41:47 · 4373 阅读 · 0 评论 -
matlab练习程序(非负矩阵分解)
matlab练习程序(非负矩阵分解) 这个算法是Lee和Seung在1999年发表在nature杂志上的。具体论文看这里:http://www.seas.upenn.edu/~ddlee/Papers/nmf.pdf。 看不懂英文没关系,可以看这个中文的介绍:http://wenku.baidu.com/view/94c8af0bf78a6529647d5331.html。转载 2016-02-22 02:37:14 · 2388 阅读 · 0 评论 -
基于协同过滤,NMF和Baseline的推荐算法
老早就想整理一篇推荐算法的入门博文,今天抽空写一下。本文以电影推荐系统为例,简单地介绍基于协同过滤,PMF概率矩阵分解,NMF非负矩阵分解和Baseline的推荐系统算法。NMF的实现具体可以参考Reference中的「基于矩阵分解的推荐算法,简单入门」一文,对我启发很大。 推荐算法 协同过滤 矩阵分解 目录[-] 杂谈 基于协同过滤的推荐算法 User-base转载 2016-04-05 04:59:52 · 3992 阅读 · 0 评论 -
NMF从0-1
http://blog.csdn.net/pipisorry/article/details/52098864 非负矩阵分解(NMF,Non-negative matrix factorization) NMF的发展及原理 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转载 2017-02-10 09:47:00 · 3834 阅读 · 0 评论