了解用于协同过滤的交替最小二乘法

Question

最近几天我一直在研究推荐引擎，发现了这个非常好的教程，它演示了在协作过滤器中交替最小二乘法的使用：http://bugra.github.io/work/notes/2014-04-19/alternating-least-squares-method-for-collaborative-filtering/

我设法按照说明进行到最后一步。这是作者编写代码以打印推荐的部分。代码片段如下：-

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')

在此代码段中，W 是权重矩阵。 Q 矩阵用于形式化评级衡量的置信度概念。因此：

Q = 1 if user u rated item i

Q= 0  if user u did not rate item i

Q_hat是ALS算法执行指定迭代次数后得到的新矩阵

无法理解作者为什么要特别实现这两步：

Q_hat -= np.min(Q_hat)
Q_hat *= float(5) / np.max(Q_hat)

有人可以指导我并帮助我理解这一点吗？非常感谢。

谢谢

编辑：这是原始函数的要点link：https://gist.github.com/arjun180/71124392b0b70f7b96a8826b59400b99

Answer 1

这是预测评分的标准化。

Q_hat -= np.min(Q_hat)

此处作者将预测评分矩阵中的最小值减去所有预测值。

这保证所有预测评分都从 0 开始。

Q_hat *= float(5) / np.max(Q_hat)

此处作者将预测评分标准化为 0 到 5 之间的范围。

了解用于协同过滤的交替最小二乘法

Understanding Alternating Least Squares for Collaborative Filtering

python

recommendation-engine

collaborative-filtering

least-squares