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