矩阵分解改进

Question

我正在使用SGD矩阵因式分解(python)，使用recommendations数据集来提出建议。我有一个网站，让用户给出的反馈，是正面或负面的项目是否是一个好的推荐为一部特定的电影。

我想知道我是否可以在矩阵分解中使用这个反馈。我不能百分之百确定我会怎么做。

例如，我会有一个向量，比如

  m1 m2 m3
m1 0 0  0
m2 5 0 -4
m3 0 0  0

其中，m2-m1是5分，所以举个例子，没有人认为它是负的，5人认为它是好的。另一种为m2-m3为-4，所以推荐效果很差。

任何帮助都将不胜感激。

编辑:答案的回应

我目前正在使用稀疏矩阵的用户项目评级，并使用偏见。

我一直试图添加更多的输入源，并使用以下方法创建包含类型表示的属性矩阵：

for genre in item_genres:
       genres[genre] = 1
       self.attribute_item_matrix[i] = sum(list(genres.values()))


 pred = self.global_mean + self.bias_user[u] + self.bias_item[i] +np.dot(self.P[u, :],(self.Q[:, i]+self.attribute_item_matrix[i]))

但是，我不认为这是正确的，因为它最终失败并导致nan错误。

我一直在关注这篇论文推荐系统的矩阵分解技术

谢谢

Answer 1

在我看来，最好使用user-movie矩阵，创建一个更有意义的sparse matrix。通过这样做，如果您已经知道了选择的polarity ( positive、negative或neutral )，您也可能会得到like或dislike的一些intensity分数，比如rating。现在，如果您只想将它们分类为likes、neutral和dislike，您可以分别指定1、0和-1。当你有很多电影和很多用户时，这种方法会有更多的意义。此外，这还可以帮助您建立user-user、movie-user和movie-movie关系。这些关系可能会帮助您了解和探索更多关于recommendation engines的信息。

     m1 m2 m3 m4
u1 -1   0  -1  1
u2  1   1  -1  0
u3  0   0   1  0
u4  -1  1   1   0

如果您想要添加rating而不是只添加polarity，只需添加数字缩放的0-1即可。我亲自编写了hybrid recommendation engines，它同时嵌入了collaborative filtering和context based filtering模型。我建议你在人际关系方面多做些工作，并尝试探索更多关于like或dislike偏见的可能性，电影信息/演员的关联--导演在电影中的影响力和相似性等等。我希望这个解释能有所帮助。

Answer 2

有些分解模型是这样的，您可以搜索“基于会话”、“基于篮”、“顺序”等。但他们的表现往往不太好。您还可以使用这些数据创建一个分类或回归模型，然后将其与一些混合模型中的常规用户项分级三胞胎混合起来。