问题标签 [matrix-factorization]

我追求的是网络推荐系统，比如“相关产品”。根据用户购买的商品，我想根据其他用户购买的商品查找相关商品。我按照 MovieLens 教程（https://github.com/JohnLangford/vowpal_wabbit/wiki/Matrix-factorization-example）制作推荐系统。

在上面的例子中，用户给电影打了一个分数（1-5）。然后，该模型可以预测用户会给特定项目的分数。

另一方面，我的数据只知道用户喜欢什么。我不知道他们不喜欢什么，也不知道他们有多喜欢某样东西。所以我尝试发送 1 作为我所有条目的值，但这只会给我一个模型，它在每个预测中都返回 1。

关于如何构建数据以便我可以预测用户喜欢 0 到 1 之间的项目的可能性有什么想法吗？

示例数据：

训练命令：

我有三个关于张量分解的问题。

1. 张量分解（分解）的情况（或应用）是什么？
2. 这在未来成为主流技术的可能性有多大？
3. 你如何使用它？

我正在使用 Keras 为推荐实现一个简单的矩阵分解模型。我在运行模型时发现了一些奇怪的行为：

• 用户和物品的潜在因素趋向于零向量。
• 即使我只尝试拟合非零值（其值为 1），这些潜在因素仍然为 0。更奇怪的是，即使真实值（始终为 1）和预测值之间的差异，训练和验证损失也会减少（这是用户和项目潜在因素之间的点积）应该增加（因为这些潜在因素正在变为零）。我使用“mse”作为损失指标。

我不知道发生了什么。如果有人以前遇到过这个问题，如果您能分享您的解决方案，我将不胜感激。（对不起，我不能发布我的代码，因为它很乱）。谢谢你。

在机器学习算法中，您经常处理稀疏数据集，例如来自分类数据（例如电影名称），而稀疏矩阵处理大部分功能。

是否有一些为机器学习用例包装 scipy.sparse 矩阵的库？

我看到的两个主要缺失功能是：

1. 命名行/列（即，您可以识别例如电影名称，而不是使用整数 ID）

2. 在保留索引的同时进行子集化。例如，如果我从一个大的 50000 行稀疏矩阵中选择 2 个电影 id（第 500 行和第 1000 行），我想返回一个只有第 500 行和 1000 行非空的 50000 行稀疏矩阵，以便保留映射/名称。

但我怀疑还有其他我还没有发现...

我想为稀疏矩阵重新创建一个求解函数（求解 Ax = b for x）。在 Julia 文档中，它说当我们将稀疏矩阵应用于 lufact() 时，它返回以下内容：

使用 Julia doc 中给定的公式：LU = Rs.*A[p,q]，我做了一些代数并得到以下公式：

当矩阵密集时，此公式与 Julia 中的默认 F\b 求解器匹配，但当矩阵稀疏时，结果关闭。有谁知道为什么？

我玩lightfm已经有一段时间了，发现生成推荐真的很有用。但是，我想知道两个主要问题。

1. 在推荐排名很重要的情况下评估 LightFM 模型，我应该更多地依赖precision@k或其他提供的评估指标，例如AUC score？precision@k与其他指标相比，在哪些情况下我应该专注于改进我的指标？或者它们是否高度相关？这意味着如果我设法提高我的precision@k分数，其他指标也会随之而来，对吗？

2. WARP如果使用损失函数训练的模型的得分为 0.089，您将如何解释precision@5？AFAIK，Precision at 5 告诉我前 5 个结果中有多少是积极的/相关的。这意味着precision@5如果我的预测无法进入前 5 名，我将得到 0，或者如果我在前 5 名中只有一个预测正确，我将得到 0.2。但我无法解释 0.0xx 的含义precision@n

谢谢

我正在尝试使用 Julia v0.6.0 中的 LowRankApprox.jl 包提供的 pheigfact 函数进行 Hermitian 特征分解。基本上，它只是一行代码，例如：

其中 A 是实对称正定矩阵。但是，我收到以下错误：

感谢任何帮助！

我使用矩阵分解作为基于用户点击行为记录的推荐系统算法。我尝试了两种矩阵分解方法：

第一个是基本 SVD，其预测只是用户因子向量u和项目因子i的乘积：r = u * i

我使用的第二个是带有偏置分量的 SVD。

r = u * i + b_u + b_i

其中b_u和b_i表示用户和项目的偏好偏差。

我使用的一种模型性能非常低，另一种是合理的。我真的不明白为什么后者表现更差，我怀疑它是否过度拟合。

我搜索了检测过拟合的方法，发现学习曲线是一个好方法。但是，x 轴是训练集的大小，y 轴是准确度。这让我很困惑。如何更改训练集的大小？从数据集中挑出一些记录？

另一个问题是，我试图绘制迭代损失曲线（损失是 ）。看起来曲线是正常的：

但我不确定这种方法是否正确，因为我使用的指标是准确率和召回率。我应该绘制迭代精度曲线吗？？？或者这个已经告诉我我的模型是正确的？

谁能告诉我我是否朝着正确的方向前进？太感谢了。:)

我是 Julia-Lang 的新手，我试图在 Julia 中多次求解对称三对角系统，所以我将矩阵组装为

我的系统中的变化是右手边。所以我尝试在这个线程上使用 Chris Rackauckas 解决方案，我引用：

只需执行 X=lufact(X) 然后 X\b

问题是，当我这样做时，我得到

所以我的问题是：什么是对 lufact 进行归因的正确方法！功能

给定一个维度为 nxn 的矩阵 M，我如何计算一个低秩分解，使得 M = LT * L，其中 L 的维度为 kxn。到目前为止，我只看到使用 SVD 完成此操作，这并不是我想要的，因为该方法给了我 M = U S V 和 UT != S*V，而不是 (LT).T == L .

另一种选择可能是使用某种形式的优化来找到 L，但这并不简单，因为我已经尝试了 SciPy 的几种优化方法，在 frobenius 范数下具有差异 M - LT * L，到目前为止我还没有没有成功。

编辑：我忘了通过使用 scikit 的非负矩阵分解类来补充这一点，我可以通过将 L 和 LT 作为优化的候选矩阵传递来部分地实现这一点。但是，我的矩阵 M 不是非负数，因此这种方法对我不起作用。