您好,登录后才能下订单哦!
本篇内容介绍了“python矩阵分解原理是什么”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
矩阵分解是推荐系统系列中的一种算法,顾名思义,就是将矩阵分解成两个(或多个)矩阵,它们相乘后得到原始矩阵。在推荐系统中,我们通常从用户与项目之间的交互/评分矩阵开始,矩阵分解算法会将用户和项目特征矩阵分解,这也称为嵌入。下面以电影推荐中的评分,购买等矩阵为例。
通常,在数据集中,要挖掘用户和项目属性的潜在特征。本质上,潜在特征是用户/项目在任意空间中的表示,表示用户如何评价电影。在电影推荐系统的示例中,一个用户样本中包含了他所观看的多个电影,潜在特征的值越高,则表示他喜欢该类型的电影,那么就应该推荐此类型的电影。
本文所用数据来自kaggle,包含了76000个用户样本。
首先,导入数据和有关库。
from recsys import *
from generic_preprocessing import
from IPython.display import HTML ## 以Ipython Notebook显示
import pandas as pd,numpy as np
anime = pd.read_csv('anime.csv')
ratings = pd.read_csv('rating.csv').iloc[:5000000]
为了创建推荐系统,我们需要一个可交互的矩阵。为此,使用recsys
模块中的create_interaction_matrix
函数,这个函数要求以Pandas的DataFrame类型的数据为输入,输入数据的列必须有诸如用户id,项目id和评分等。此函数的中如果设置norm=True
,则意味着任何评分的值都应该是正的。在这个示例中,没有必要设置,因为实际的购买数据和评分都是正的。
# 利用评分数据创建矩阵
interactions = create_interaction_matrix(df = ratings,
user_col = ‘user_id’,
item_col = ‘anime_id’,
rating_col = ‘rating’)
interactions.shape
然后用create_user_dict
和create_item_dict
函数(recsys
模块)创建关于用户和项目的字典。
# 用户字典
user_dict = create_user_dict(interactions=interactions)
# 项目字典
movies_dict = create_item_dict(df = anime,
id_col = 'anime_id',
name_col = 'name')
用recsys
中的runMF
函数来创建矩阵分解模型,这个函数的参数:
interaction
:前面所创建的矩阵n_components
:对于每个用户和项目嵌入的数量loss
:定义一个损失函数,本例中我们使用warp损失函数,因为我们更关心矩阵的秩。epoch
:运行的次数n_jobs
:并行处理中使用的核数mf_model = runMF(interactions = interactions,
n_components = 30,
loss = 'warp',
epoch = 30,
n_jobs = 4)
“python矩阵分解原理是什么”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站,小编将为大家输出更多高质量的实用文章!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。