# 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Large-scale Parallel Collaborative Filtering the Netflix Prize)
注意的是,进行参数更新的已评分的item_id和user_id的实例,即拟合已评分的user-item矩阵,然后去预测未评分的user-item的评分。 <br />
参考代码:https://github.com/chyikwei/recommend
### pmf算法流程:
pmf的算法流程与als_mf算法流程类似,除了最小化误差等式换为最小化能量函数,具体数学推导可看matrix factorization笔记及论文Probabilistic Matrix Factorization - NIPS Proceedings) <br />
参考代码:https://github.com/chyikwei/recommend
reference: <br />
http://www.quuxlabs.com/blog/2010/09/matrix-factorization-a-simple-tutorial-and-implementation-in-python/ <br />
http://blog.csdn.net/shenxiaolu1984/article/details/50372909 <br />
Probabilistic Matrix Factorization - NIPS Proceedings <br />
Large-scale Parallel Collaborative Filtering for the Netflix Prize <br />
### collaborative-filtering.py
来源:《集体智慧编程》第二章
### apriori算法流程:
- 支持度:support(A=>B):A和B的同时出现的次数 / 总样本数
- 置信度:confidence(A=>B):P(B | A) = support(A=>B) / support(A) <br />
参考代码:https://github.com/asaini/Apriori
#### factorization machines算法:
其思想是生成一个多项式,以二项式为例,即两两变量相乘,并乘以权重,这时使用矩阵分解技术,将二项式的权重矩阵拆分成两个矩阵,即 V x N = (V x k) \cdot (k x N),一是能共享参数,二是能减少稀疏性。 <br >
资料主要参考美团这篇:https://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html <br >
Factorization Machines: http://www.algo.uni-konstanz.de/members/rendle/pdf/Rendle2010FM.pdf
代码参考:<br >
https://github.com/princewen/tensorflow_practice/blob/master/recommendation/recommendation-FM-demo/FM_model.py <br >
https://github.com/babakx/fm_tensorflow/blob/master/fm_tensorflow.ipynb <br >
### deepFM算法:
源代码参考:https://github.com/ChenglongChen/tensorflow-DeepFM
没有合适的资源?快使用搜索试试~ 我知道了~
协同过滤、矩阵分解算法推导及代码+源代码+文档说明
共21个文件
py:10个
pdf:3个
ipynb:3个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 197 浏览量
2024-04-30
11:49:59
上传
评论
收藏 504KB ZIP 举报
温馨提示
- 不懂运行,下载完可以私聊问,可远程教学 该资源内项目源码是个人的毕设,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! <项目介绍> 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 --------
资源推荐
资源详情
资源评论
收起资源包目录
Recommended-system-master.zip (21个子文件)
Recommended-system-master
.gitattributes 66B
DeepFM
DeepFM.py 24KB
factorization_machines
Factorization Machines.pdf 187KB
fm_tensorflow.py 6KB
factorization_machines01.png 23KB
Factorization Machines Note.ipynb 47KB
fm_tensorflow.ipynb 15KB
collaborative_filtering
collaborative_filtering.py 8KB
README.md 3KB
field_aware_factorization_achines
ffm_tensorflow.py 7KB
matrix_factorization
evaluation.py 351B
als_mf.py 7KB
paper
Probabilistic Matrix Factorization.pdf 84KB
Large-scale Parallel Collaborative Filtering the Netflix Prize.pdf 162KB
matrix factorization 笔记.ipynb 32KB
pmf.py 8KB
exceptions.py 219B
matrix_factorization01.png 12KB
base.py 385B
apriori
raw_data
df.csv 26KB
apriori.py 11KB
共 21 条
- 1
资源评论
机器学习的喵
- 粉丝: 515
- 资源: 1269
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功