Math :: préférence :: SVD Math :: préférence :: SVD est un moteur de préférence / recommandation basé sur la décomposition de valeur unique (SVD).
Télécharger maintenant

Math :: préférence :: SVD Classement & Résumé

Math :: préférence :: SVD Mots clés

mathématique Module Perl Moteur de recommandation Décomposition à valeur unique SVD recommandation

Math :: préférence :: SVD La description

Math :: préférence :: SVD est un moteur de préférence / recommandation basé sur la décomposition de valeur unique (SVD). Math :: préférence :: SVD est un moteur de préférence / recommandation basé sur la décomposition de la valeur unique (SVD) .Synopsis Utilisez Math :: préférence :: SVD; mon $ x = math :: préférence :: SVD-> nouveau; mes @users = (0..3); mes @movies = (0..3); mes @Ratings = (carte ({} @userers), # * Tout le monde * dit l'élément 0 est noté 4 map ({} @uSers), # * Tout le monde * dit l'élément 1 est noté 5 carte ({} @userers), # * Tout le monde * dit l'élément 2 est noté 1 carte ({} @users), # * Tout le monde * dit l'article 3 est noté 2); $ x-> set_ratings (@Ratings,); Pour mon $ Cust (@users) {pour My $ Movie (@movies) {# prédict_ratant () prend film_id alors cust_id - Oui, # Cela me semble en arrière de moi aussi mon $ prédit = sprintf "% 1.2f", $ x -> Predict_ratant ($ film, $ Cust); Imprimer "Cust $ Cruste dit à propos de film $ Movie: prédit: $ prédit"; }} Ce module implique un simple "moteur de préférences" basé sur l'une des entrées au concours de prix Netflix. Les moteurs de préférence prennent des données d'évaluation des utilisateurs pour les éléments et tentent de prédire la note de l'utilisateur pour d'autres éléments de manière à ce qu'un système puisse la trouver et de leur suggérer d'autres choses qu'ils sont susceptibles d'acheter ou de profiter de la valeur de valeur. La décompose en deux matrices, une fois que les données et une aussi large, qui se rapprochent de la matrice d'origine. Ici et là-bas. Et ensuite, il recommence, en commençant par l'erreur laissée par le premier ensemble de matrices, faisant un deuxième ensemble de matrices longues et larges. Et puis c'est à nouveau. Le résultat est une série de matrices qui peuvent être multipliées ensemble et leurs sorties s'étaient totalisées, à environ reconstruire l'original.La matrice d'entrée de grande taille pourrait, par exemple, avoir des clients dans les colonnes et les films dans les lignes, avec des données remplies ici. et là pour spécifier la note du client de ce film. Chaque ensemble de matrices, avec un grand (pour les films) et une large (pour les clients), pourrait être considéré comme contenant des informations sur un attribut tangible des films et comment l'utilisateur ressent à propos de cet attribut. Consultez les références ci-dessous pour un exemple impressionnant des trois premiers attributs extraits du prix Netflix Data.extrapolation est un effet secondaire de ce schéma de compression à perte. C'est ici que le bit des moteurs de recommandation entre en jeu - vous pouvez demander au client que ce client n'a jamais été créé, et il multipliera volontairement les fonctions du client par rapport aux fonctionnalités du film pour les différentes fonctionnalités, les ajoutes, et vous donner une note prédite pour ce film pour cet utilisateur. En itérant à tous les films (et je dis des films, mais l'utilisateur pourrait être n'importe quoi, y compris d'autres utilisateurs) et de demander des prédictions pour un utilisateur spécifique pour ce film et de trier les résultats, vous pouvez proposer une liste de recommandations qu'il ou elle peut aimer. Exigences: · Perl

Math :: préférence :: SVD Logiciels associés