CuriousZero

摘要： 在 PyCharm 中选择：File — Settings — 进入如下界面，点击 右上角的 “+” 可以添加其他库： 选择到相应的库，并 Install Package 即可： 阅读全文

摘要： Debug 路漫漫-05： 1、使用这种方式计算 AUC 指标，结果出来居然是 NAN， —— 分母为（M*N），M或者N必有一个为0 了。（nan出现的情况绝大部分是分母出现0了） 若分子为0的情况，（分母不为0），结果也应该是0而非 NAN。 2、（0831） 明明维度都对上了，它提示错误使用点 阅读全文

摘要： 1、错误使用 cat 要串联的数组的维度不一致。 ——前面给个初始化即可： D = cell(length(trainIdx),1); user_itemData = cell(length(trainIdx),1); 2、 这个 ixW 是对 winner 进行更新，ixV 是对 loser 进行 阅读全文

摘要： 数据假设： 每个用户之间的偏好行为相互独立 同一用户对不同物品的偏序相互独立 则优化问题为极大化如下目标： 【Reference】 1、论文翻译：BPR：面向隐偏好数据的贝叶斯个性化排序学习模型 2、BPR [Bayesian Personalized Ranking] 算法详解及应用实践 阅读全文

摘要： 【论文标题】BPR：Bayesian Personalized Ranking from Implicit Feedback （2012，Published by ACM Press） 【论文作者】Steffen Rendle, Christoph Freudenthaler, Zeno Gantn 阅读全文

摘要： 推荐系统 SVD和SVD++算法 SVD： SVD++： 【Reference】 1、SVD在推荐系统中的应用详解以及算法推导 2、推荐系统——SVD/SVD++ 3、SVD++ 4、SVD++协同过滤 5、SVD与SVD++ 6、关于矩阵分解：特征值分解 svd分解 mf分解 lmf分解 pca 阅读全文

摘要： 为什么可以通过给目标函数增加一个正则项来防止其过拟合？（来使其更圆滑？） （在实现MF矩阵分解算法的时候，也有给损失函数增加一个正则项：推荐系统之矩阵分解及其Python代码实现） 经常用来控制过拟合现象的一种技术是正则化（regularization）。 这种技术涉及到给误差函数增加一个惩罚项，使 阅读全文

摘要： Debug 路漫漫-03：SVD++的 Matlab 版本 SVD++ 的 pu 这一项： 圈圈中的这一项，它既然要和pu 相加 的话 ，那么，它的维度也应该是 m*K。（就是维度和Pu一致的 。 而 y_i 则是 n*k （m：user 个数。n：item个数） 按照更新公式： 若是使用matla 阅读全文

摘要： 重现标准 BTL Model ，using MATLAB： 1、 错误使用 cat要串联的数组的维度不一致。出错 cell2mat (line 83) m{n} = cat(1,c{:,n}); —— cell2mat（...）括号里cell 必须符合每个行的维度相同。 2、 错误使用 sum数据类 阅读全文

摘要： MM bound 与 Jensen's inequality 简森不等式 在使用最大似然估计方法求解模型最优解的时候，如果使用梯度下降（GD or SGD）或者梯度上升（GA or SGA），可能收敛的很慢。 这时，可以使用 MM bound + Jensen's inequality 相结合的方法 阅读全文