基于随机梯度下降的矩阵分解推荐算法（python）

基于随机梯度下降的矩阵分解推荐算法（基于随机梯度下降的矩阵分解推荐算法（python））

主要为大家详细介绍了基于随机梯度下降的矩阵分解推荐算法，具有一定的参考价值，感兴趣的小伙伴们可以参

考一下

SVD是矩阵分解常用的方法，其原理为：矩阵M可以写成矩阵A、B与C相乘得到，而B可以与A或者C合并，就变成了两个元素

M1与M2的矩阵相乘可以得到M。

矩阵分解推荐的思想就是基于此，将每个user和item的内在feature构成的矩阵分别表示为M1与M2，则内在feature的乘积得到

M；因此我们可以利用已有数据（user对item的打分）通过随机梯度下降的方法计算出现有user和item最可能的feature对应到的

M1与M2（相当于得到每个user和每个item的内在属性），这样就可以得到通过feature之间的内积得到user没有打过分的item的

@author: wjw

"""

import pandas as pd

import numpy as np

import os

def difference(left,right,on): #求两个dataframe的差集

df = pd.merge(left,right,how='left',on=on) #参数on指的是用于连接的列索引名称

left_columns = left.columns

col_y = df.columns[-1] # 得到最后一列

pwd = os.getcwd()#返回当前工程的工作目录

os.chdir(os.path.dirname(filepath))

#os.path.dirname()获得filepath文件的目录；chdir()切换到filepath目录下

initialData = pd.read_csv(os.path.basename(filepath))

#basename()获取指定目录的相对路径

os.chdir(pwd)#回到先前工作目录下

predData = initialData.iloc[:,0:3] #将最后一列数据去掉

newIndexData = predData.drop_duplicates()

trainData = newIndexData.sample(axis=0,frac = 0.1) #90%的数据作为训练集

max_iter = 100

features = 3

lamda = 0.2

gama = 0.01 #随机梯度下降中加入，防止更新过度

user = pd.DataFrame(train.userId.drop_duplicates(),columns=['userId']).reset_index(drop=True) #把在原来dataFrame中的索引重新设置，drop=True并抛弃

movie = pd.DataFrame(train.movieId.drop_duplicates(),columns=['movieId']).reset_index(drop=True)

userNum = user.count().loc['userId'] #671

movieNum = movie.count().loc['movieId']

userFeatures = np.random.rand(userNum,features) #构造user和movie的特征向量集合

for i in range(max_iter):

rmse = 0

n = 0

for index,row in user.iterrows():

uId = row.userId

userFeature = userFeaturesFrame.loc[uId] #得到userFeatureFrame中对应uId的feature

u_m = train[train['userId'] == uId] #找到在train中userId点评过的movieId的data

for index,row in u_m.iterrows():