文件名称：Recommended-system:协同过滤、矩阵分解算法推导及代码
文件大小：504KB
文件格式：ZIP
更新时间：2024-06-07 17:26:02
JupyterNotebook
Recommended system als_mf算法流程： 初始化矩阵U和M，U矩阵大小为user_id * n_feature，其中user_id为用户id数，n_fearure为潜在特征；同理M矩阵大小为item_id * n_feature，其中item_id为项目id数； 生成user_id - item_id矩阵，其中行为user_id，列为item_id，值为用户评分rating，减去全局评分的均值； 误差等式为平方差公式，即真实值和预测值的评分差（R-U*M），为了防止过拟合，加上正则项，惩罚过大参数； 固定M矩阵，使用梯度下降，对误差等式f(U, M)求U梯度； 同样固定U矩阵，使用梯度下降，对误差等式f(U, M)求M梯度； 预测值为U*M，不断迭代上面两步，直到最近两次误差收敛到一个阈值时，停止更新参数（具体数学推导可看matrix factorization笔记及论
【文件预览】：
Recommended-system-master
----collaborative_filtering()
--------collaborative_filtering.py(8KB)
----apriori()
--------apriori.py(11KB)
--------raw_data()
----factorization_machines()
--------fm_tensorflow.py(6KB)
--------fm_tensorflow.ipynb(15KB)
--------factorization_machines01.png(23KB)
--------Factorization Machines Note.ipynb(47KB)
--------Factorization Machines.pdf(187KB)
----field_aware_factorization_achines()
--------ffm_tensorflow.py(7KB)
----matrix_factorization()
--------pmf.py(8KB)
--------base.py(385B)
--------paper()
--------matrix_factorization01.png(12KB)
--------evaluation.py(351B)
--------exceptions.py(219B)
--------als_mf.py(7KB)
--------matrix factorization 笔记.ipynb(32KB)
----README.md(3KB)
----DeepFM()
--------DeepFM.py(24KB)
----.gitattributes(66B)