非负矩阵分解：如何预测新条目的值？
Non Negative Matrix Factorization: How to predict values for a new entry?
我目前的理解：
我试过阅读一些关于 NMF 的论文和链接。这一切都在谈论我们如何将 MxN 矩阵拆分为 MxR 和 RxN 矩阵（R
问题：
我有一个用户列表（U）和每个用户的一些任务（A）。现在我使用 NMF 拆分这个矩阵 (UxA)。我得到 2 个矩阵 UxR 和 RxA。我如何使用这些来预测新用户 (U') 必须拥有的任务 (A')？
任何帮助将不胜感激，因为我在尝试搜索答案后无法理解这一点。
附带问题和意见基于：
另外，如果有人可以根据他们的经验告诉我，他们是如何选择 R 的，特别是当分配数量在 50,000 或十万左右时。我一直在使用 scikit-learn 库尝试这些
编辑：
这可以简单地使用 model.inverse_transform(model.transform(User'))
你可以试试把这个问题当成推荐人。您想将矩阵 X 近似分解为两个非负矩阵 U 和 V。
对于 pyothn scikit-learn，您可以使用：
http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html
from sklearn.decomposition import NMF
model = NMF(n_components=2, init='random', random_state=0)
W = model.fit_transform(X)
H = model.components_
其中 X 是您要分解的矩阵。 W和H是非负因子
要预测新用户(U')的任务(A')，您只需使用WH'来完成maitrx
我目前的理解：
我试过阅读一些关于 NMF 的论文和链接。这一切都在谈论我们如何将 MxN 矩阵拆分为 MxR 和 RxN 矩阵（R
问题：
我有一个用户列表（U）和每个用户的一些任务（A）。现在我使用 NMF 拆分这个矩阵 (UxA)。我得到 2 个矩阵 UxR 和 RxA。我如何使用这些来预测新用户 (U') 必须拥有的任务 (A')？
任何帮助将不胜感激，因为我在尝试搜索答案后无法理解这一点。
附带问题和意见基于：
另外，如果有人可以根据他们的经验告诉我，他们是如何选择 R 的，特别是当分配数量在 50,000 或十万左右时。我一直在使用 scikit-learn 库尝试这些
编辑： 这可以简单地使用 model.inverse_transform(model.transform(User'))
你可以试试把这个问题当成推荐人。您想将矩阵 X 近似分解为两个非负矩阵 U 和 V。
对于 pyothn scikit-learn，您可以使用： http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html
from sklearn.decomposition import NMF
model = NMF(n_components=2, init='random', random_state=0)
W = model.fit_transform(X)
H = model.components_
其中 X 是您要分解的矩阵。 W和H是非负因子
要预测新用户(U')的任务(A')，您只需使用WH'来完成maitrx