推荐系统学习-SVDFeature

介绍

  SVDFeature是由Apex Data & Knowledge Management Lab在KDD CUP11竞赛中开发出来的工具包。它的目的是有效地解决基于特征的矩阵分解。新的模型可以只通过定义新的特征来实现。这种基于特征的设置允许我们把很多信息包含在模型中，使得模型更加与时俱进。使用此工具包，可以很容易的把其他信息整合进模型，比如时间动态，领域关系和分层信息。除了评分预测，还可以实现pairwise ranking任务。

 模型

  SVDFeature的模型定义如下：

  输入包含三种特征<α，β，γ>，分别是用户特征，物品特征和全局特征。

  模型的最终版本是：

  活跃函数和损失函数的通常选择如下（忽略后面的标识）：

 

   详细内容可自行查阅SVDFeature-manual。

 输入格式

  输入格式是和SVM格式相似的稀疏特征格式。对一个输入样本，我们需要指定三种特征，< α,β,γ >和预测目标。格式如下：

 

  这里的id和value对应非零项的特征id和特征值。特征文件首先指定预测的目标，然后是全局，用户，物品特征向量中非零项的数目。然后以稀疏特征格式列举出非零全局，用户和物品特征。例如，如果我们使用基本矩阵分解模型，用户0给物品10评分为5：

 5 0 1 1 0:1 10:1

  这里的<0,1,1>表示0个全局特征，1一个用户特征和1个物品特征。0:1表示用户特征，10:1表示物品特征。

  其余详细内容自行查阅SVDFeature-manual。

  SVDFeature工具包里的文件：

  * solvers: all the customization of SVDFeature solvers, not included in the basic package
  * tools  : the auxiliary tools that can be used for experiment
  * demo   : the examples that can help to get started on the toolkit

 操作

  我使用的是Ubuntu14.04。编译环境要求g++4.6及以上，至于如何安装g++，自行百度。

  将Svdfeature-1.2.2.tar.gz拷贝到Ubuntu中，解压。

  进入主目录和tools目录分别输入“make”进行编译。

  编译完成后进入demo目录：

 

  SVDFeature提供了5个例子，分别是：basicMF、binaryClassification、implicitfeedback、neighborhoodModel和pairwiseRank。

  单独进入一个目录，里面包含了一个run.sh文件，运行“./run.sh”即可完成训练和测试阶段。

  假如目录中还有run-ml100K.sh文件，说明可以使用Movielen数据，步骤为：下载 ml-100K 数据, 把 ua.base和ua.test放入目录 ,  运行“ run-ml100K.sh”。

  普通运行过程：

 

  运行结束：

 

 预测结果：

 

 使用movielen运行：

 

  运行的结果保存在pred.txt中：

 

原文:http://blog.csdn.NET/chenkfkevin/article/details/51055387