使用NMF生成推荐

Question

在使用非负矩阵分解生成推荐时，如何为新用户重建数据？

我遵循这个方程data.dot(H.T.dot(np.linalg.pinv(H.dot(H.T))).dot(H))进行重建，其中H表示潜在分量，data由包含缺失条目的新数据组成。

但似乎在某些地方出了问题，因为我没有得到预期的结果(那些来自其他方法的结果，比如sklearn NMF，特别是inverse_transform方法)。

Answer 1

请参阅https://cambridgespark.com/content/tutorials/implementing-your-own-recommender-systems-in-Python/index.html

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(data)
H = model.components_

其中data是要分解的矩阵。W和H是非负性因子

您可以通过WH'预测新的推荐或调用完整的data矩阵