基于矩阵分解的推荐算法，简单入门

淡淡的烟草味﹌ 2022-08-19 14:29 118阅读 0赞

本文将要讨论基于矩阵分解的推荐算法，这一类型的算法通常会有很高的预测精度，也活跃于各大推荐系统竞赛上面，前段时间的百度电影推荐最终结果的前10名貌似都是把矩阵分解作为一个单模型，最后各种ensemble，不知道正在进行的阿里推荐比赛( [http://102.alibaba.com/competition/addDiscovery/index.htm][http_102.alibaba.com_competition_addDiscovery_index.htm] )，会不会惊喜出现。。。。好了，闲话不扯了，本文打算写一篇该类型推荐算法的入门篇

一，基于矩阵分解的推荐算法相关理论介绍

二，C++代码实现

三，总结跟展望一下

四，后续计划

一， 基于矩阵分解的推荐算法相关理论介绍

我们知道，要做推荐系统，最基本的一个数据就是，用户-物品的评分矩阵，如下图1所示

![BvEJbu.png_web][]

图1

矩阵中，描述了5个用户(U1,U2,U3,U4 ,U5)对4个物品(D1,D2,D3,D4)的评分(1-5分)，- 表示没有评分，现在目的是把没有评分的 给预测出来，然后按预测的分数高低，给用户进行推荐。

如何预测缺失的评分呢？对于缺失的评分，可以转化为基于机器学习的回归问题，也就是连续值的预测，对于矩阵分解有如下式子，R是类似图1的评分矩阵，假设N\*M维(N表示行数，M表示列数)，可以分解为P跟Q矩阵，其中P矩阵维度N\*K， P矩阵维度K\*M。

![bUn2E3.png_web][]

式子1

对于P,Q矩阵的解释，直观上，P矩阵是N个用户对K个主题的关系，Q矩阵是K个主题跟M个物品的关系，至于K个主题 具体 是什么，在算法里面K是一个参数，需要调节的，通常10~100之间。

![M7vUBjN.png_web][]

式子2

对于式子2的左边项，表示的是R^ 第i行，第j列的元素值，对于如何衡量，我们分解的好坏呢，式子3，给出了衡量标准，也就是损失函数，平方项损失，最后的目标，就是每一个元素(非缺失值)的e(i,j)的总和 最小

![32Ibuy.png_web][]

式子3

OK，目前现在评分矩阵有了，损失函数也有了，该优化算法登场了，下面式子4是，基于梯度下降的优化算法，p,q里面的每个元素的更新方式

![jI3aQr.png_web][]

![yEjqmq.png_web][]

式子4

然而，机器学习算法都喜欢加一个正则项，这里面对式子3稍作修改，得到如下式子5，beita 是正则参数

![jiaqMj.png_web][]

式子5

相应的p,q矩 阵各个元素的更新也换成了如下方式

![MZji22.png_web][]

式子6

至此，P,Q矩阵元素求出来了之后，计算某个用户i对某个物品j的评分计算就是p(i,1)\*q(1,j)+ p(i,2)\*q(2,j)+....+ p(i,k)\*q(k,j)。

二， C++代码实现

第一部分已经给出了，基于矩阵分解的推荐算法的整个流程，下面是该算法编程实现(C/C++)，代码加一些注释有助于理解

1 /** 2 3 评分矩阵R如下 4 5 D1 D2 D3 D4 6 7 U1 5 3 - 1 8 9 U2 4 - - 1 10 11 U3 1 1 - 5 12 13 U4 1 - - 4 14 15 U5 - 1 5 4 16 17 ***/ 18 19 #include<iostream> 20 21 #include<cstdio> 22 23 #include<cstdlib> 24 25 #include<cmath> 26 27 using namespace std; 28 29 30 31 void matrix_factorization(double *R,double *P,double *Q,int N,int M,int K,int steps=5000,float alpha=0.0002,float beta=0.02) 32 33 { 34 35 for(int step =0;step<steps;++step) 36 37 { 38 39 for(int i=0;i<N;++i) 40 41 { 42 43 for(int j=0;j<M;++j) 44 45 { 46 47 if(R[i*M+j]>0) 48 49 { 50 51 //这里面的error 就是公式6里面的e(i,j) 52 53 double error = R[i*M+j]; 54 55 for(int k=0;k<K;++k) 56 57 error -= P[i*K+k]*Q[k*M+j]; 58 59 60 61 //更新公式6 62 63 for(int k=0;k<K;++k) 64 65 { 66 67 P[i*K+k] += alpha * (2 * error * Q[k*M+j] - beta * P[i*K+k]); 68 69 Q[k*M+j] += alpha * (2 * error * P[i*K+k] - beta * Q[k*M+j]); 70 71 } 72 73 } 74 75 } 76 77 } 78 79 double loss=0; 80 81 //计算每一次迭代后的，loss大小，也就是原来R矩阵里面每一个非缺失值跟预测值的平方损失 82 83 for(int i=0;i<N;++i) 84 85 { 86 87 for(int j=0;j<M;++j) 88 89 { 90 91 if(R[i*M+j]>0) 92 93 { 94 95 double error = 0; 96 97 for(int k=0;k<K;++k) 98 99 error += P[i*K+k]*Q[k*M+j]; 100 101 loss += pow(R[i*M+j]-error,2); 102 103 for(int k=0;k<K;++k) 104 105 loss += (beta/2) * (pow(P[i*K+k],2) + pow(Q[k*M+j],2)); 106 107 } 108 109 } 110 111 } 112 113 if(loss<0.001) 114 115 break; 116 117 if (step%1000==0) 118 119 cout<<"loss:"<<loss<<endl; 120 121 } 122 123 } 124 125 126 127 int main(int argc,char ** argv) 128 129 { 130 131 int N=5; //用户数 132 133 int M=4; //物品数 134 135 int K=2; //主题个数 136 137 double *R=new double[N*M]; 138 139 double *P=new double[N*K]; 140 141 double *Q=new double[M*K]; 142 143 R[0]=5,R[1]=3,R[2]=0,R[3]=1,R[4]=4,R[5]=0,R[6]=0,R[7]=1,R[8]=1,R[9]=1; 144 145 R[10]=0,R[11]=5,R[12]=1,R[13]=0,R[14]=0,R[15]=4,R[16]=0,R[17]=1,R[18]=5,R[19]=4; 146 147 148 149 cout<< "R矩阵" << endl; 150 151 for(int i=0;i<N;++i) 152 153 { 154 155 for(int j=0;j<M;++j) 156 157 cout<< R[i*M+j]<<','; 158 159 cout<<endl; 160 161 } 162 163 164 165 //初始化P，Q矩阵，这里简化了，通常也可以对服从正态分布的数据进行随机数生成 166 167 srand(1); 168 169 for(int i=0;i<N;++i) 170 171 for(int j=0;j<K;++j) 172 173 P[i*K+j]=rand()%9; 174 175 176 177 for(int i=0;i<K;++i) 178 179 for(int j=0;j<M;++j) 180 181 Q[i*M+j]=rand()%9; 182 183 cout <<"矩阵分解 开始" << endl; 184 185 matrix_factorization(R,P,Q,N,M,K); 186 187 cout <<"矩阵分解 结束" << endl; 188 189 190 191 cout<< "重构出来的R矩阵" << endl; 192 193 for(int i=0;i<N;++i) 194 195 { 196 197 for(int j=0;j<M;++j) 198 199 { 200 201 double temp=0; 202 203 for (int k=0;k<K;++k) 204 205 temp+=P[i*K+k]*Q[k*M+j]; 206 207 cout<<temp<<','; 208 209 } 210 211 cout<<endl; 212 213 } 214 215 free(P),free(Q),free(R); 216 217 return 0; 218 219 }

执行的结果如下图所示，

![zAJRRrZ.png_web][]

三，展望

前两个部分，已经简单的介绍了最基本的基于矩阵分解的推荐算法，基于该算法的一些变种，类似svd++,pmf等，都是针对某一些特定的数据场景进行的一些改进，那有没有统一的框架来整合这些场景呢？？前两年在KDDcup大赛，大出风头的Factorization Machine(FM)，其中FM的核心理论在于用Factorization来刻画feature跟feature之间的关系，如下面公式

![QjUvQ3.jpg_web][]

<Vi,Vj>正是刻画了xi,xj的关系，上面式子可以理解为FM=SVM+Factorization Methods，后续准备开一篇博文，来阐释FM模型，跟其作者开源的LibFM工具箱，最后贴一张八卦的图，图中讲的是bickson（graphlab/graphchi的里面推荐工具包的作者），在一次会议上，对steffen（libfm的作者）问的一个问题

![r2qye2.jpg_web][]

四，后续计划

1)，介绍FM模型

2)，LibFM源码剖析

参考资料

1)， bickson.blogspot.com/2012/08/steffen-rendle- libfm .html ‎

2)，S. Rendle.Factorization machines.In Proceedings of the 10th IEEE International Conference on Data Mining. IEEE Computer Society,  2010.

3)， [http://www.quuxlabs.com/blog/2010/09/matrix-factorization-a-simple-tutorial-and-implementation-in-python/][http_www.quuxlabs.com_blog_2010_09_matrix-factorization-a-simple-tutorial-and-implementation-in-python]

[http_102.alibaba.com_competition_addDiscovery_index.htm]: http://102.alibaba.com/competition/addDiscovery/index.htm
[BvEJbu.png_web]: /images/20220731/301e98e1d3564f14bf715260a82fd1ac.png
[bUn2E3.png_web]: /images/20220731/371094754d5a486ab7115ba90c6541a9.png
[M7vUBjN.png_web]: /images/20220731/d1c015211826444b96c84fd3bbe67ad6.png
[32Ibuy.png_web]: /images/20220731/66faf07327e943d7b04bd5ae878bd652.png
[jI3aQr.png_web]: /images/20220731/cfcc5d983ef64bbfbf9b9449c456ddea.png
[yEjqmq.png_web]: /images/20220731/e8118c2899374134b7020711d02a8e00.png
[jiaqMj.png_web]: /images/20220731/187162d8704a4b848ccde1073abb8b58.png
[MZji22.png_web]: /images/20220731/981524f455824a33802f574867284e59.png
[zAJRRrZ.png_web]: /images/20220731/a8af724386dd45df8d51c6bb55405c68.png
[QjUvQ3.jpg_web]: /images/20220731/3af00334768d40888fecc8d955193878.png
[r2qye2.jpg_web]: /images/20220731/f51a1ab883eb495c9ddf771d644a0307.png
[http_www.quuxlabs.com_blog_2010_09_matrix-factorization-a-simple-tutorial-and-implementation-in-python]: http://www.quuxlabs.com/blog/2010/09/matrix-factorization-a-simple-tutorial-and-implementation-in-python/