基于项目的协同过滤在推荐实验室持续运行

Question

我有一个稀疏矩阵sparse，其中1100列对应于产品，130k多行对应于用户。在这个稀疏矩阵中，值是1或NA，其中1对应于“购买”，NA对应于“不购买”。

我将这个矩阵转换为realRatingMatrix，并尝试以这种方式构建一个IBCF模型：

item_rec <- Recommender(sparse[1:nrow(sparse)],method="IBCF", 
                        param=list(method="Cosine",k=30, normalize_sim_matrix = F,
                                   alpha = 0.5, na_as_zero = F))

这个命令已经运行了几个小时，而另一个使用UBCF方法的模型在几秒钟内就完成了：

rec <- Recommender(sparse[1:nrow(sparse)],method="UBCF", 
                   param=list(method="Cosine",nn=5, minRating=1))

虽然构建项目-项目相似度矩阵可能需要更多时间，但它花费这么多时间是正常的吗?还是我在代码或方法上做错了什么(比如，我是否应该将其转换为binaryRatingMatrix或使用不同的参数？)

Answer 1

余弦距离目前是在密集矩阵上计算的(希望有一天会添加稀疏实现)。我认为创建完整的矩阵，然后计算距离需要很长时间。

你有没有试过小一点的样品？可能是1,000或10000行？