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
2021-06-23 13:24:07
13.51MB
1
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
2021-06-23 13:23:52
480KB
1
2016-Convolutional Matrix Factorization for Document Context-Aware Recommendation
2021-04-23 14:14:26
778KB
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
基于MovieLens数据集，采用随机梯度下降算法优化最小化能量函数的概率矩阵分解Python源代码，自己做实验的源代码Probabilistic Matrix Factorization
2019-12-21 21:19:24
749KB
1