在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
%svd chengxu A = [5 5 0 5;5 0 3 4; 3 4 0 3; 0 0 5 3; 5 4 4 5; 5 4 5 5]; A = A'; [U S V] = svd(A); U = U(:,1:4); S = S(1:4,1:4); V = V(:,1:4); reA = U*S*V'; %give one new user bob = [5 5 0 0 0 5]; uservector = bob*V*S; for i = 1:1:size(A,1) temp = U(i,:); similarity = temp*uservector'/(sqrt(temp*temp')*sqrt(uservector*uservector')); userlist(i) = similarity; end rank = sort(userlist); l = size(rank,2); t = zeros(1,size(A,2)); for i=l:-1:l-1 indx = find(rank(i)==userlist); sim = rank(i); t = t + A(indx,:)*sim; end index = find(bob==0); rank = t(index); rank
matlab的代码很简单,因为有现场的svd函数可以使用 首先进行svd分解,之后我们会得到U,S,V三个矩阵 个人是这么理解的 如果在最初的矩阵中:列代表item而行代表了user 那么u则代表了user和中间量的关系,V代表了item与中间量的关系 S代表了不同中间量在期中所占的比重,或者是贡献。 这个中间量,我们可以理解为是item和类别,例如电影我们可以分为喜剧或者等等。 这就产生了一个附带产品 我们可以根据U和V对user和item进行聚类。这个以后再说
下面我们来了一个新的用户,我们知道它的一些信息, 那么,我们可以通过V和S把用户的信息映射到U相同的平面 然后计算新用户和Old user的相似度 通过老用户对item的兴趣,计算新用户对没有见过的item的兴趣程度 对这个结果rank后,即使最终推荐的顺序。 参看: http://blog.csdn.net/abcjennifer/article/details/8131087 |
2023-10-27
2022-08-15
2022-08-17
2022-09-23
2022-08-13
请发表评论