我正在使用python 的scikits.sparse.cholmod来获得对称矩阵的 cholesky 分解。

我将cholesky()的结果与 matlab 的chol()进行了比较。结果与某些行和列互换时存在差异。我试图迭代分解以获得特征值，这种差异似乎是有问题的。

这是我的代码：

第一次迭代的下三角矩阵是：

而matlab的下三角矩阵为：

matlab 结果是合理的，因为它导致正确的特征值。在 python 中选择稀疏矩阵的类型我做错了吗？

这是我的矩阵分解代码的一部分（一个非常奇怪的 nmf 版本）。我的问题是，虽然每次迭代时，我都会保存 W 和 H 矩阵的旧副本，但当我在 W 每次完成更新后比较 old_W 和 W 时，它们实际上是相同的！所以实际的错误输出总是 0 并且 while 循环在第一次迭代后停止。但是，“#print old - new”显示元素 W[r][i] 实际上每次都会更新。我没有看到什么？

有人可以指导我使用 Python 库（或另一种语言的论文或源代码）吗？这就是我有一堆关于用户的数据以及他们对大约 100 个对象中的大多数的“分数”。我将对这些数据进行矩阵分解，并将其分解为两个潜在因子矩阵。

我想有一个推荐网站，向用户（我可以获取他们的数据）推荐我的系统认为他们想要的对象。例如，根据我们当前的矩阵和新用户的数据，他的 X 得分为 10，Y 得分为 20，但我的系统预计他的 x 得分为 20，Y 得分为 20，因此它返回 X 作为推荐。

本质上，一旦我学会了矩阵分解，我该如何处理新用户？这是我应该如何使用矩阵分解进行协同过滤吗？谢谢！

对于推荐引擎，这些技术的优点和缺点是什么（矩阵分解：ALS、pearson 或 cossin 相关性）以及我们如何决定使用哪种技术。

我正在使用 Nimfa 包执行非负矩阵分解，并想知道是否有控制旋转的方法。

即：我想实现一个参数（类似于正矩阵分解中的 FPeak），它可以近似因子分析的旋转模糊性（导致分解中 W 和 H 的非唯一性：V = W * H）

我很抱歉，因为我知道这个问题以前曾被问过，但我已经尝试了大多数答案的变体，但没有任何帮助。

我正在使用 foreach 包在一组数据上运行 NMF 算法的循环。我是他们试图使用 ExtractFeatures 函数提取一组基础名称，该函数将每次运行输出为您确定的等级的列表（在我的示例中为 3）。

下面是我的代码（我使用了 NMF Vignette 中的示例数据集）：

这会输出提取的基因列表，如下所示：

3次运行3次，但没有保存。有人对我如何保存这些输出有任何建议吗？

提前谢谢你，J

更新 1.0 开始

打电话的时候好像

传递给函数的参数ALS_Y/ALS_X不是引用，它复制了参数..所以，当XorY非常时large matrixes，例如，在我的情况下，它是6000*40左右（而且它是 a for-loop，让我们假设迭代次数是50 000，所以......） ，它超过了内存的限制。
然后我尝试使用全局参数，只是将索引作为参数传递给函数，

它输出：`

So, this means it still copied一个`！现在，我想知道有没有办法处理这个问题？欣赏！

更新1.0结束

下面是我在 python 中解决矩阵分解问题的代码。W = XY。不过下面的代码效率不高，希望能转成并行版本，用GPU最好，CPU也可以。我对并行编程没有经验，所以有人可以给我一些建议吗？

下面是使用 ALS 分解矩阵的代码（交替最小二乘，详情请点击此处）

使用多处理库后，我的代码现在：

但有些苦恼，程序总是无声无息地死机……

下面是我的全部代码.. 一切都乱七八糟。只需忽略load_data get_errorand vec2str，因为在这里我随机生成矩阵..

谁能解释如何libFM在 windows 下使用，而不是 under Linux？

我已经下载libFM了windows版本，但是点击.exe文件，有窗口弹出然后消失了。

如果有人可以分享在windows下使用它的步骤，那就太好了。

谢谢

为了分析 10^6 个遗传因素及其 GeneXGene 相互作用 (~5x10^11)，我有许多独立的线性回归问题，这些问题可能适合在 GPU 上进行分析。

目标是使用包含交互项的线性回归详尽地搜索 GeneXGene 交互作用在调节结果变量（大脑表型）中的作用。

据我所知，Householder QR 分解可能是拟合回归模型的解决方案，但是，鉴于这项特定工作中的每个回归矩阵都可以轻松接近 ~ 10'000x10 的大小，即使每个单个回归矩阵似乎也不适合 GPU 片上内存（共享、寄存器等）。

我是否应该接受这是一个固有带宽受限的问题，并在回归分析期间将矩阵保留在 GPU 全局内存中，还是其他策略可行？

编辑 以下是有关该问题的更多详细信息：

将有大约 10'000 名受试者，每名受试者都有约 1M 的遗传参数（遗传矩阵：10'000x10^6）。每次迭代中的算法应选择此遗传矩阵的两列 (10'000x2) 以及大约 6 个与遗传数据无关的其他变量（年龄、性别等），因此最终回归模型将处理大小为 10 的矩阵'000x[2（遗传因素）+6（协变量）+2（截距和交互项）] 和结果变量向量（10'000x1）。对于给定的一对遗传因素，每次将重复此相同的过程约 5e11 次。那些通过预定义统计阈值的模型应保存为输出。

具体问题是，尽管有大约 5e11 个单独的回归模型，但即使是单个回归模型似乎也不适合片上存储器。

我还猜想坚持使用 CUDA 库可能不是这里的解决方案，因为这要求大部分数据操作都在 CPU 端进行，并且只将每个 QR 分解发送到 GPU？

当我们有一个负值的数据集时，我们可以应用非负矩阵分解吗？如果是，如何？