я возиться с рекомендательными двигателей в течение последних нескольких дней, и наткнулся на это очень хороший учебник, который демонстрирует использование Переменный метод наименьших квадратов в Collaborative фильтры: http://bugra.github.io/work/notes/2014-04-19/alternating-least-squares-method-for-collaborative-filtering/Понимание Переменный метод наименьших квадратов для совместной фильтрации
мне удалось следуйте инструкциям до самого последнего шага. Это часть, в которой автор пишет код для печати рекомендаций. Этот фрагмент кода выглядит следующим образом: -
def print_recommendations(W=W, Q=Q, Q_hat=Q_hat, movie_titles=movie_titles):
Q_hat -= np.min(Q_hat)
Q_hat *= float(5)/np.max(Q_hat)
movie_ids = np.argmax(Q_hat - 5 * W, axis=1)
for jj, movie_id in zip(range(m), movie_ids):
print('User {} liked {}\n'.format(jj + 1, ', '.join([movie_titles[ii] for ii, qq in enumerate(Q[jj]) if qq > 3])))
print('\n User {} recommended movie is {} - with predicted rating: {}'.format(jj + 1, movie_titles[movie_id], Q_hat[jj, movie_id]))
print('\n' + 100 * '-' + '\n')
В этом фрагменте W - весовая матрица. Q-матрица используется для формализации понятия уверенности, которое оценивают оценки. Поэтому:
Q = 1 if user u rated item i
Q= 0 if user u did not rate item i
Q_hat - новая матрица, полученная после реализации алгоритма ALS после указанного количества итераций.
Я не могу понять, почему автор реализует эти два шага, в частности:
Q_hat -= np.min(Q_hat)
Q_hat *= float(5)/np.max(Q_hat)
Может кто-нибудь наставит меня и помочь мне понять это? Я был бы очень признателен.
Благодаря
Edit: Вот ссылка сути к исходной функции: https://gist.github.com/arjun180/71124392b0b70f7b96a8826b59400b99
Спасибо большое! Ценить это. –