基于python 的电影推荐算法_基于python语言编程的矩阵分解电影推荐算法
【实例简介】一种基于矩阵分解方法的电影推荐算法
【实例截图】
【核心代码】
import numpy as np
from numba import cuda, float64, jit
from scipy import sparse
import os
import time
time_start=time.time()
cuda.select_device(0)
# 使用jit模式加速单一元素乘法运算
@jit(nopython=True)
def multiply(c, d):
return c * d
# 使用jit模式加速单一元素减法运算
@jit(nopython=True)
def subtract(e, f):
return e - f
# 使用jit模式加速梯度下降算法
@jit(nopython=True)
def gradient_descent(err, p, la, lr, q):
return q ((err * p) - (la * q)) * lr
# Thread Per Block
TPB = int(32)
# 使用cuda.jit模式,用gpu加速矩阵的乘法运算
@cuda.jit
def fast_matmul(a, b, c):
sa = cuda.shared.array(shape=(TPB, TPB), dtype=float64)
sb = cuda.shared.array(shape=(TPB, TPB), dtype=float64)
x, y = cuda.grid(2)
tx = cuda.threadIdx.x
ty = cuda.threadIdx.y
# bpg = cuda.gridDim.x
if x >= c.shape[0] and y >= c.shape[1]:
# Quit if (x, y) is outside of valid C boundary
return
tmp = 0
for i in range(hid):
sa[tx, ty] = a[x, ty i * TPB]
sb[tx, ty] = b[tx i * TPB, y]
cuda.syncthreads()
for j in range(TPB):
tmp = sa[tx, j] * sb[j, ty]
cuda.syncthreads()
c[x, y] = tmp
# Latent Factor Model的随机梯度下降算法
@jit(nopython=True)
def stochastic_loop(q_, p_, i_, j_, err_, la_, lr_, k_):
for r_ in range(k_):
q_[i_, r_] = gradient_descent(err_, p_[r_, j_], la_, lr_, q_[i_, r_])
p_[r_, j_] = gradient_descent(err_, q_[i_, r_], la_, lr_, p_[r_, j_])
# 超参数的设置
iteration = 1000
learning_rate = 0.0002
lambda_ = 0.01
k = 128 # 超参数 factor长度
m = 610
m_ = 640
n = 9742
n_ = 9760
# 读训练数据集,存入稀疏矩阵movie_train中。
row_train = np.array(np.load("train_set.npy")[:,0], dtype='float32')
col_train = np.array(np.load("train_set.npy")[:,1], dtype='float32')
data_train = np.array(np.load("train_set.npy")[:,2], dtype='float32')
movie_train = sparse.coo_matrix((data_train,(row_train,col_train)),shape=(m_,n_)).tocsr()
# 读测试数据集,存入稀疏矩阵movie_test中。
row_test = np.array(np.load("test_set.npy")[:,0], dtype='float32')
col_test= np.array(np.load("test_set.npy")[:,1], dtype='float32')
data_test = np.array(np.load("test_set.npy")[:,2], dtype='float32')
movie_test = sparse.coo_matrix((data_test,(row_test,col_test)),shape=(m_,n_)).tocsr()
# 由于numba中,gpu的加速必须保证TPB * BPG恰好为所求矩阵的二维大小,因此要用a、b扩充矩阵大小
Q = np.random.rand(m,k) * 0.33
P = np.random.rand(k,n) * 0.33
a = np.zeros((30,k)) # 640 - 610 = 30
b = np.zeros((k,18))
'''
# Q与P为原参数矩阵,EXTEND为它们padding后的矩阵,对原矩阵运算没有影响
Q_EXTEND = np.row_stack((Q,a)) # (640,128)
P_EXTEND = np.column_stack((P,b)) # (128,9760)
'''
multiple = np.zeros([m_,n_])
hid = int((k-1)/TPB) 1
blockdim = (TPB, TPB)
griddim1 = (20, 305)
# 恢复上一次训练的参数
Q_EXTEND = np.load("Q.npy")
P_EXTEND = np.load("P.npy")
noise_q = np.random.rand(m_,k) * 0.003
noise_p = np.random.rand(k, n_) * 0.003
Q_EXTEND = noise_q - np.mean(noise_q)
P_EXTEND = noise_p - np.mean(noise_p)
compare_train = 0.05
compare_test = 0.10
flag = 0 # 学习速率自适应算法的参数
for t in range(iteration):
loss_train = 0
loss_test = 0
# 确保进入cuda.jit的数据在内存中是连续的
A = np.ascontiguousarray(Q_EXTEND)
B = np.ascontiguousarray(P_EXTEND)
fast_matmul[griddim1, blockdim](A, B, multiple)
for index, item in enumerate(row_train):
i = int(item)
j = int(col_train[index])
error = movie_train[i, j] - multiple[i, j]
if index % 10000 == 0:
print(error)
loss_train = np.abs(error)
# 对Q与P的extend矩阵中每个元素进行随机梯度下降
stochastic_loop(Q_EXTEND, P_EXTEND, i, j, error, lambda_, learning_rate, k)
loss_train /= 100685
for index, item in enumerate(row_test):
i = int(item)
j = int(col_test[index])
loss_test = np.abs(movie_test[i, j] - multiple[i, j])
loss_test /= 151
print('iteration%s, loss_train:%s, loss_test:%s' % (t, loss_train, loss_test))
# 若几次迭代后,学习情况良好,则适当调高学习速率learning_rate,加快学习速度
# 及时保存参数矩阵Q与P的EXTEND版本,以便分阶段进行优化
if compare_train > loss_train and compare_test > loss_test:
print("learning_rate:%s" % learning_rate)
flag = flag 1
if flag == 2 and learning_rate < 0.0005:
learning_rate = learning_rate 0.00001
flag = 0
compare_train = loss_train
compare_test = loss_test
np.save("Q.npy", Q_EXTEND)
np.save("P.npy", P_EXTEND)
# 若本次迭代使得loss_train与loss_test中一者升高,则必须降低学习速率,避免梯度过大
else:
print("Warning! The loss is accumulating!")
flag = 0
learning_rate = learning_rate * 0.5
cuda.close()
基于python 的电影推荐算法_基于python语言编程的矩阵分解电影推荐算法相关推荐
- 基于矩阵分解的推荐算法,简单入门
摘自:http://www.cnblogs.com/kobedeshow/p/3651833.html 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 ...
- 基于矩阵分解的CF算法实现(一):(Funk SVD)LFM
基于矩阵分解的CF算法实现(一):LFM LFM也就是前面提到的Funk SVD矩阵分解 LFM原理解析 LFM(latent factor model)隐语义模型核心思想是通过隐含特征联系用户和物品 ...
- 基于矩阵分解的CF算法实现(二):BiasSvd
基于矩阵分解的CF算法实现(二):BiasSvd BiasSvd其实就是前面提到的Funk SVD矩阵分解基础上加上了偏置项. BiasSvd 利用BiasSvd预测用户对物品的评分, k k k表示 ...
- python交互式和文件式_使用Python创建和自动化交互式仪表盘
python交互式和文件式 In this tutorial, I will be creating an automated, interactive dashboard of Texas COVI ...
- 有向图最长路径算法_算法数据结构 | 三个步骤完成强连通分量分解的Kosaraju算法...
强连通分量分解的Kosaraju算法 今天是算法数据结构专题的第35篇文章,我们来聊聊图论当中的强连通分量分解的Tarjan算法. Kosaraju算法一看这个名字很奇怪就可以猜到它也是一个根据人名起 ...
- 【推荐系统入门到项目实战】(三):矩阵分解和ALS算法
[推荐系统入门到项目实战](三):矩阵分解和ALS算法
- python电影推荐算法_基于Python的电影推荐算法
原标题:基于Python的电影推荐算法 第一步:收集和清洗数据 数据链接:https://grouplens.org/datasets/movielens/ 下载文件:ml-latest-small ...
- python回归算法_基于Python的函数回归算法验证
看机器学习看到了回归函数,看了一半看不下去了,看到能用方差进行函数回归,又手痒痒了,自己推公式写代码验证: 常见的最小二乘法是一阶函数回归 回归方法就是寻找方差的最小值 y = kx + b xi, ...
- 协同过滤算法_基于用户的协同过滤推荐算法原理和实现
(给算法爱好者加星标,修炼编程内功) 来源:Create Chen's Blog https://www.cnblogs.com/technology/p/4467895.html 在推荐系统众多方法 ...
最新文章
- java内存问题排查及分析
- MessagePack:一种高效二进制序列化格式
- java消费者和生产者模型_Java实现简易生产者消费者模型过程解析
- 根据用户查进程_【磨叽教程】Android进阶教程之在Android系统下各进程之间的优先级关系...
- freopen()的重定向打开或者关闭
- MySQL-5.5.33主从复制
- 前端学习(2322):angular内容介绍
- 精读linux源码,Linux基础入门的操作精读.doc
- MaxCompute中如何通过logview诊断慢作业
- 计算机视觉识别简史:从 AlexNet、ResNet 到 Mask RCNN
- php商品显示循环,php – 如何在循环中显示GROUP BY数据
- 杂:(4)NE555
- ci 页面php代码,Cicool v3.1.0 - PHP页面、表单、API、CRUD生成器
- ionic build android release,ionic build android -release运行报错
- 编写一个购物车程序,实现在界面中以列表的形式显示购物车的商品信息,商品信息包括商品名称、价格和数量功能,并能够对购物车中的商品信息进行增删改查
- COVID-19席卷全球,看看GIS建模可视化能做些什么
- ecshop后台出现Strict Standards: Only variables should be passed by refin /var/www·····
- QQ空间最新免费个人形象设置方法
- awk详解:awk语言及应用
- 建模配置 | Revit建模到底需要什么配置
热门文章
- 直播-动态礼物(豪华礼物)
- 同源基因鉴定 | OrthoFinder 2.0 + MAFFT + IQtree
- 详解MOS管阈值电压与沟长和沟宽的关系及影响阈值电压的因素
- 进程创建与撤销的模拟实现
- linux shell打印序号,Bash脚本编号生成器
- windows 下.bat 文件双击无法运行
- 【QT】qt实现多人屏幕共享系统
- jvm中GC日志格式详解(十)
- bootstrap4侧边栏_如何使用纯CSS和Bootstrap 4构建多个堆叠式粘性侧边栏
- 山东大学计算机专业郭炅,山东大学计算机科学与技术学院研究生导师简介-郭炅...