推荐算法学习--矩阵分解FunkSVD

最新推荐文章于 2025-10-14 08:30:00 发布

原创最新推荐文章于 2025-10-14 08:30:00 发布 · 1.8k 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

本文深入探讨FunkSVD算法的实现细节，通过代码示例讲解如何利用Python进行矩阵分解，解决推荐系统中用户评分预测的问题。文章提供了一个从理论到实践的完整流程，包括算法原理、超参数调整及交叉验证的应用。

对于FunkSVD算法，网络上资料一大堆，但总觉得应该要自己去实现一下。

理论的推导过程https://www.cnblogs.com/pinard/p/6351319.html这篇文章说的很清楚了,同时也可以参考该篇文章http://www.cnblogs.com/shenxiaolin/p/8637794.html

需要注意的是kt参数是超参数，是需要调的，可以根据交叉验证或者损失函数来确定

import numpy as np
import matplotlib.pyplot as plt


R=[ [5,3,None,1],
    [4,None,None,1],
    [1,2,None,5],
    [1,None,None,4],
    [None,1,5,4]]

# 学习率
LR = 1e-2
# 正则项系数
LAMBDA = 1e-2
# 循环次数
EPOCH = 2000


def calc_error(R,P,Q,n_value):
    row, col = np.nonzero(R != n_value)
    e = R[row, col] - np.sum(P[row] * Q.T[col],axis=1)
    return e


def funksvd(R,n_value,kt):
    '''
    :param R: 输入的矩阵
    :param n_value: 代表空值的值
    :param kt: 分解的矩阵的维度
    '''
    if not isinstance(R,np.ndarray):
        R = np.array(R)
    h,w = R.shape
    # 获取所有不为空值的值用于迭代
    row,col = np.nonzero(R != n_value)
    # 初始化P,Q
    P = np.random.randn(h,kt)
    Q = np.random.randn(kt,w)

    # 梯度下降优化
    error_list = []
    for step in range(EPOCH):
        E = calc_error(R,P,Q,n_value)
        for p in range(len(row)):
            e = E[p]
            i,j = row[p],col[p] # 对每个原矩阵有值的i,j位置的都得参与梯度计算
            # for k in range(kt):
            #     p_gd = -e * Q[k,j] + LAMBDA * P[i,k]
            #     P[i,k] -= LR * p_gd
            #     q_gd = -e * P[i,k] + LAMBDA * Q[k,j]
            #     Q[k,j] -= LR * q_gd
            p_gd = -e * Q[:,j] + LAMBDA * P[i]
            P[i] -= LR * p_gd
            q_gd = -e * P[i] + LAMBDA * Q[:,j]
            Q[:,j] -= LR * q_gd
        E_square = np.sum(np.square(E))
        print('step:',step,'error square:',E_square)
        error_list.append(E_square)
    return P,Q,error_list


P,Q,error_list = funksvd(R,n_value=None,kt=2)
print(R)
print(P.dot(Q))
plt.plot(error_list)
plt.show()