ML之RS之MF：基于简单的张量分解MF算法进行打分和推荐

ML之RS之MF：基于简单的张量分解MF算法进行打分和推荐

目录

输出结果

实现代码

输出结果

先看结果

实现代码

      #ML之RS之MF：基于简单的张量分解MF算法进行打分和推荐
      import numpy
      def matrix_factorization(R, P, Q, K, steps=5000, alpha=0.0002, beta=0.02):  #（迭代次数5000、步长，正则化系数）
       Q = Q.T
      for step in range(steps):
      for i in range(len(R)):
      for j in range(len(R[i])):
      if R[i][j] > 0:
       eij = R[i][j] - numpy.dot(P[i,:],Q[:,j])
      for k in range(K):
       P[i][k] = P[i][k] + alpha * (2 * eij * Q[k][j] - beta * P[i][k])
       Q[k][j] = Q[k][j] + alpha * (2 * eij * P[i][k] - beta * Q[k][j])
       eR = numpy.dot(P,Q)
       e = 0
      for i in range(len(R)):
      for j in range(len(R[i])):
      if R[i][j] > 0:
       e = e + pow(R[i][j] - numpy.dot(P[i,:],Q[:,j]), 2)
      for k in range(K):
       e = e + (beta/2) * (pow(P[i][k],2) + pow(Q[k][j],2))
      if e < 0.001:
      break
      return P, Q.T
      #读取user数据并用张量分解进行打分
      #定义得分矩阵
      R = [
       [5,3,0,1],
       [4,0,3,1],
       [1,1,0,5],
       [1,0,0,4],
       [0,1,5,4],
       ]
      R = numpy.array(R)
      N = len(R)
      M = len(R[0])
      K = 2  #两个因子
      P = numpy.random.rand(N,K)
      Q = numpy.random.rand(M,K)
      nP, nQ = matrix_factorization(R, P, Q, K)
      nR = numpy.dot(nP, nQ.T)
      print(nP)
      print("-----------------------------")
      print(nQ)
      print("-----------------------------")
      print(nR)
      print("-----------------------------")
      print(R)
  
 

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/81813825