国际货币基金组织 “一种用于检测异构体多模态数据中模块的非负因式分解方法”的源代码 iNMF基础：iNMF的主要功能，调整选择，数据生成，评估 iNMF分析（TCGA）：TCGA分析代码 数据 flt_dataset_DM / GE / ME ：（文本文件）后处理的数据集（a / b / c：单独的WRT观测值） flt_DM / GE / ME_vars：（.npy）后处理（过滤）的变量 obs：（.npy）观察

非负矩阵划分matlab代码NMF-ML 多层非负矩阵分解 MATLAB 实现。 该算法在 中描述。 您可以自由使用代码。 请通过引用承认。 要安装，请将 (git clone) 克隆到一个新目录中。 您可以通过更改到该目录并运行 basic_test.m 在 MATLAB 中对其进行测试，其中还显示了一个基本用例。 享受！

现有的链路预测方法的数据来源主要是基于邻居、路径和随机游走的方法，使用的是节点相似性假设或者最大似然估计，尚缺少基于神经网络的链路预测研究。基于神经网络的一些研究表明，基于神经网络的DeepWalk网络表示学习算法可以更加有效地挖掘到网络中的结构特征，已有研究证明DeepWalk等同于分解目标矩阵。因此，提出了一种基于矩阵分解的DeepWalk链路预测算法（LPMF）。该算法首先基于矩阵分解的DeepWalk算法分解得到网络的表示向量；然后通过余弦相似度计算每对节点之间的相似度，构建目标网络的相似度矩阵；最后利用相似度矩阵，在三个真实的引文网络中进行链路预测实验。实验结果表明，提出的链路预测算法性能优于现存的20余种链路预测算法。这充分表明了LPMF能够有效地挖掘网络中节点之间的结构关联性，而且在实际网络的链路预测中能够发挥出较为优异的性能。

主要为大家详细介绍了基于随机梯度下降的矩阵分解推荐算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

非常非常快的（可以说是目前世界上最快的）大型稀疏矩阵分解的C库

1.引言 　　矩阵分解(MatrixFactorization，MF)是传统推荐系统为经典的算法，思想来源于数学中的奇异值分解(SVD)，但是与SVD还是有些不同，形式可以看出SVD将原始的评分矩阵分解为3个矩阵，而推荐本文要介绍的MF是直接将一个矩阵分解为两个矩阵，一个包含Users的因子向量，另一个包含着Items的因子向量。 　　2.原理简介 　　假如电影分为三类：动画片，武打片，纪录片，而某一部电影对应这三类的隶属度分别为0，0.2，0.7，可以看出这是一部纪录片里面有些武打成分，现在给定某个用户对着三类电影的喜欢程度用0到1之间的值表示分别为0.1，0.6，0.2，可以看出该用

块坐标下降法matlab代码SNMF 我们 BSUM 算法的 MATLAB 代码，用于重现我们在 SNMF 研究方面的工作。 只需运行 main_compare.m，您将获得所有最先进算法的比较结果 要获得其他数字的结果，可能需要稍作修改。 参考： [1] 史清江、孙浩然、卢松涛、洪明义、梅萨姆·拉扎维耶恩. “对称非负矩阵分解的不精确块坐标下降方法。” arXiv 预印本 arXiv:1607.03092 (2016)。 1.0 版 -- 2016 年 4 月 作者：Haoran Sun (hrsun AT iastate.edu)

使用例如 Cholesky 分解的矩阵分解要求相关矩阵是正定的。 也就是说，特征值必须全部为正。 在金融中，这种情况很少发生，人们经常观察到负特征值或零特征值。 这两个函数本质上做同样的事情。 一个只调整 <= 0 特征值，而另一个调整这些特征值，但随后也会增加其他非负特征值以补偿给予较小特征值的更高“权重”。

函数[x] = SOR_HW(A,b,x_0,omega)% 输入方阵A,b，初始x和omega的值格式长； N = 1000； %迭代次数n = 长度（A）； tol = 0.0001； x =零（n，1）; %将方阵A分解为三个矩阵：对角矩阵(D)； 严格下三角矩阵（L）； 严格上三角矩阵(U) D = 诊断（诊断（A））； L =-tril(A,-1); U = -triu(A,1); a = (D-欧米茄*L); 对于 i=1:N x = a\(((1-omega)*D + omega*U)*x_0) + omega*(a\b); 如果范数(x-x_0)<tol 休息; 结尾x_0=x; 结尾结尾

Household 矩阵分解 matlab 人工智能的数学基础