matrix_factorization_recommenders 推荐系统的低秩矩阵分解 Jupyter Notebook将与Recommender Systems的低秩矩阵分解一起发布。

关于Criteo数据的FFM 尝试使用以下现场感知分解机（FFM）的实施方式来复制的结果： 数据 下载完整的数据集并将其转换为CSV格式： ./data.sh ln -s train.csv tr.csv ln -s test.csv te.csv 或者，使用微小的数据： ln -s train.tiny.csv tr.csv ln -s test.tiny.csv te.csv 用法 建立LIBFFM并预处理数据，就像： make 移至或并按照说明进行操作。 参考

吉布斯采样matlab代码

变分贝叶斯推断matlab代码稳健流张量因式分解 此存储库包含与将出现在 IEEE ICDM 2018 上的论文“Variational Bayesian Inference for Robust Streaming Tensor Factorization and Completion”相关的代码。论文作者是 和 。 有关此代码的问题，请联系 Cole Hawkins。 我们的贡献包含在文件“streaming_bayesian_completion.m”中。 我们的代码需要 Matlab Tensor Toolbox： 要运行 OLSTEC 文件夹中的所有文件，您将需要 Poblano 工具箱：

Knowledge graphs are structured representations of real world facts. However, they typically contain only a small subset of all possible facts. Link prediction is a task of inferring missing facts based on existing ones. We propose TuckER, a relatively simple but powerful linear model based on Tucker decomposition of the binary tensor representation of knowledge graph triples. TuckER outperforms all previous state-of-the-art models acrossstandardlinkpredictiondatasets. Weprove that TuckER is a fully expressive model, deriving the bound on its entity and relation embedding dimensionality for full expressiveness which is several orders of magnitude smaller than the bound of previous state-of-the-art models ComplEx and SimplE. We further show that several previously introducedlinearmodelscanbeviewedasspecial cases of TuckER.

很多真实世界中的数据集由不同表达和视角组成，这些不同的表达和视角的信息往往互为补充。为了整合非监督集合中多个视角的信息，多视觉聚类算法同时聚类不同视角以得到一个聚类结果，这个结果揭示了多个视觉共享一个潜在结构。本文我们提出了一个NMF（基于非负矩阵分解）的多视角聚类算法，该算法寻找一个因式分解，使得多个视角给出一致的聚类结果。本文提出算法的关键在对有约束的联合非负矩阵因式分解过程进行公式化，该分解过程的约束使得每个视角在分解过程趋向一致的结果。主要的问题是如何保持聚类结果在不同视角的是有意义和可比较的。为了解决这个问题，我们基于NMF和PLSA的关系设计了一个新型的高效归一化策略。几个数据集上的实验结果表明了我们方法的可靠性。

【简介】一篇关于nonnegative matrix factorization（非负矩阵分解）的应用文章。 【语言】英文

在推荐系统中，在矩阵分解中利用文本信息来减轻数据稀疏性的问题已经做出了许多努力。 最近，一些工作已经探索了神经网络，以对文本项内容进行深入的了解，并通过生成更准确的项潜在模型获得了令人印象深刻的效果。 然而，在矩阵分解中如何有效利用用户和项目的描述文档仍然存在一个未解决的问题。 在本文中，我们提出了使用深度神经网络（DRMF）进行双正则化矩阵分解的方法。 DRMF采用卷积神经网络和门控递归神经网络堆叠的多层神经网络模型，以生成用户和项目内容的独立分布式表示。 然后，表示法用于规范矩阵分解中用户和项的潜在模型的生成。 我们提出了学习DRMF中所有参数的相应算法。 实验结果证明，双向正则化策略显着提高了矩阵分解方法的评分预测准确性和前n个推荐的召回率。 而且，作为DRMF的组成部分，新的神经网络模型比单一卷积神经网络模型更好地工作。

matlab的egde源代码概率矩阵分解算法的Python实现 该代码尝试实现以下文章： Mnih，A.＆Salakhutdinov，R.（2007）。 概率矩阵分解。 神经信息处理系统的进展（第1257-1264页）。 具有MovieLens数据集的Python中的概率矩阵分解 数据集是MovieLens | MovieLens 100k | GroupLens 中的GroupLens数据集MovieLens 100k | GroupLens MovieLens 100k | GroupLens 参考： Mnih，A.＆Salakhutdinov，R.（2007）。 概率矩阵分解。 神经信息处理系统的进展（第1257-1264

matlab代码影响 Probabilistic-Matrix-Factorization Probabilistic Matrix Factorization for Recommendation by R 我使用R语言实现了矩阵分解(mf.R)、概率矩阵分解算法(pmf.R)。 优化部分采用了随机梯度下降算法(pmf-sgd.R)以及动量优化算法(mf.R,pmf.R)。 本代码的核心部分改编自Ruslan Salakhutdinov提供的matlab代码（ 除了输出训练集测试集误差，我还选取了部分预测评分与真实评分进行比较，显示了非常好的预测性能(pre.Rmd)！ 除了预测评分，我还考虑了TOP-N推荐，最后可以为每位用户i推荐他最可能感兴趣的j部电影(pre.Rmd)。 最后，我封装了PMF函数（fun_pmf.R），通过多次调用该函数，我对比了概率矩阵分解算法的超参数对算法效果的影响(comparison.Rmd)，包括用户、物品隐特征矩阵维度k，学习率epsilon，正则化参数lambda，动量优化参数momentum。 我使用的是MovieLen100k数据集() 包括