知识卡片
SVD推荐主函数与评估
SVD 推荐主函数 recommand(dataSet, testVect, r=3, rank=1, distCalc=cosSim) 把分解、映射、排序封装成一条调用链。它先限定 r 不超过矩阵较小维度,对 dataSet.T 做 linalg.svd 得到 U、S、Vᵀ,截取前 r 列得 Ur、Vr 和 Sr;把测试向量乘以 Ur 再乘 Sr 的逆得到测试用户在低维空间的坐标;用传入的 distCalc 计算它与 Vr 中每个已有用户坐标的相似度,再用 argsort(−resultarray) 降序取前 rank 个索引返回。替换距离函数只需改 distCalc 参数,不必动分解逻辑。评估时用 11 维训练矩阵与测试向量调用 recommand(A, new, r=2, rank=2, distCalc=cosSim),返回最相似的两个向量,余弦分别为 99.996% 与 99.988%,据此把对应物品推荐给测试用户。注意高相似度是降维空间中的结果,评估应结合实际业务反馈,不能只看余弦数值。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第4章 推荐系统原理 · 查看原书依据
返回最相似的两个向量,第一个相似度是99.996%,第二个相似度是99.988%,可以将这两个向量中的物品推荐给测试集中的用户。
参考来源
- 位置:《机器学习算法原理与编程实践》第4章 推荐系统原理(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00016.html)
- 结论依据:原文给出 recommand 主函数的参数、分解与映射步骤、argsort 排序,以及 r=2、rank=2 时返回 [4 3] 与两个接近 1 的相似度结果,支撑本卡说明。
- 原始内容:返回最相似的两个向量,第一个相似度是99.996%,第二个相似度是99.988%,可以将这两个向量中的物品推荐给测试集中的用户。