基于奇异值分解(SVD)的推荐系统算法实现
2014-01-10 02:02
591 查看
基于奇异值分解(SVD)的推荐系统算法实现
基于矩阵分解模型的原则就是把用户和项目映射到共同的一种特征空间(维数假设为f),而用户对项目的评分就可定义为该用户矩阵与该项目的点积。也就是说,每一个用户就相对于一个特征向量P(u),每一个项目就相对于一个特征Q(i)。Q(i)中的每一个元素表示的是项目i中所包含的某个特征的水平,而P(u)中每个元素表示这个用户喜欢某种特征的程度,所以,两个向量的内积就表示为用户u对项目i的总体兴趣度,可以表示为:用图具体表示为:
基于随机梯度下降法实现具体的算法步骤如下:
最终的RMSE=1.0557,其实不是很理想(应该比协同滤波要强0.1以上),可能是自己程序中在实现训练算法中有哪些缺陷,以后还需改进,也希望大家多提意见。
相关文章推荐
- 基于用户协同过滤的推荐系统算法,python 实现
- 用于推荐系统的SVD算法python实现
- 机器学习实战及Python实现——奇异值分解(SVD)实现简单推荐系统
- 基于SVD思想的简单推荐系统的实现
- Scikit-learn实现基于模型的推荐系统(SVD)
- [20180313智慧餐厅推荐系统02]基于python的socket编程代码,实现PC与服务器的简单通信
- 基于矩阵分解推荐算法之交替最小二乘法(ALS)--附实现代码
- 基于 Flask 与 MySQL 实现番剧推荐系统(2)
- 推荐系统之基于二部图的个性化推荐系统原理及C++实现
- 推荐系统的相关算法SVD
- 【推荐系统】详解基于内容的推荐算法
- SVD在推荐系统中的应用详解以及算法推导
- 基于Spark平台的电影推荐系统实现
- 开发基于约束条件的推荐系统---《推荐系统技术、评估及高效算法》---读书笔记(6)
- 基于Mahout实现协同过滤推荐算法的电影推荐系统
- 基于内容推荐的个性化新闻阅读实现(二):基于SVD的推荐算法
- 基于Cobbler实现多版本系统批量部署 推荐
- 推荐系统系列---基于movielens数据集的KNN算法与矩阵分解算法比较
- Hadoop 2.6 使用MapReduce实现基于物品的推荐系统
- 推荐系统算法之基于邻域的算法