1) 查阅相关资料，了解推荐系统的基本概念、应用场景及其难点。
2) 掌握Python语言以及一些相关库的基本使用。
3) 在标准评测数据集MovieLens上验证推荐系统的多种算法。
2021-04-21 16:28:06
61.24MB
1
nmf非负矩阵分解算法高维遥感图像维度压缩，主要进行nmf非负矩阵分解算法的数据降维。可任意降维。使用Python写成。
2021-04-11 21:35:49
1KB
1
文章来源《现代推荐算法》矩阵分解系列（SVD，FunkSVD，BiasSVD）原理 .
奇异值分解(SVD)
奇异值分解(SVD)原理与主要应用在数据降维中，可以将这个用户物品对应的m×n矩阵M进行SVD分解，并通过选择部分较大的一些奇异值来同时进行降维，也就是说矩阵M此时分解为：
Mm×n=Um×kTDk×kVk×nM_{m \times n} = U_{m \times k}^{T}D_{k \times k}V_{k
2021-04-09 13:56:22
96KB
1
MovieLens 100K上的概率矩阵分解
总览
在此项目中，我们使用MovieLens 100K数据集。 该数据集包含来自943位用户的1,682部电影的100,000个评分。 在此项目中，RMSE（均方根误差）用作度量。
我测试了2种不同的数据分割：密集和稀疏。
数据是随机拆分的，用于训练/验证的数据为80％，对于密集数据的测试为20％，对于稀疏数据，仅训练/验证的数据为20％，对于测试为20％。 在训练中，应用5倍交叉验证来选择最佳超参数并在测试集中评估模型。
运行代码
参量
任务：[“ task1”-调整正则化参数，“ task2”-调整因子数量，“ predict”-预测等级]
2021-04-02 13:43:10
328KB
1