08 2018 档案

Debug 路漫漫-05
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

posted @ 2018-08-28 16:14 CuriousZero 阅读(233) 评论(0) 推荐(0) 编辑

Debug 路漫漫-04
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

posted @ 2018-08-23 08:55 CuriousZero 阅读(1563) 评论(0) 推荐(0) 编辑

推荐系统 BPR 算法求解过程
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

posted @ 2018-08-21 20:53 CuriousZero 阅读(763) 评论(0) 推荐(0) 编辑

【RS】BPR:Bayesian Personalized Ranking from Implicit Feedback - BPR:利用隐反馈的贝叶斯个性化排序
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

posted @ 2018-08-20 22:41 CuriousZero 阅读(484) 评论(0) 推荐(0) 编辑

推荐系统 SVD和SVD++算法
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

posted @ 2018-08-17 17:38 CuriousZero 阅读(4938) 评论(2) 推荐(1) 编辑

通过给目标函数增加一个正则项来防止其过拟合
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

posted @ 2018-08-17 17:26 CuriousZero 阅读(818) 评论(0) 推荐(0) 编辑

Debug 路漫漫-03
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

posted @ 2018-08-17 15:54 CuriousZero 阅读(202) 评论(0) 推荐(0) 编辑

Debug 路漫漫-02
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

posted @ 2018-08-11 20:02 CuriousZero 阅读(5650) 评论(0) 推荐(0) 编辑

MM bound 与 Jensen's inequality
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

posted @ 2018-08-11 18:37 CuriousZero 阅读(519) 评论(0) 推荐(0) 编辑

LATeX 插入脚注
摘要:LATeX 插入脚注: 使用 \footnote{...注释内容} 命令: 效果如下: 阅读全文

posted @ 2018-08-10 10:23 CuriousZero 阅读(36087) 评论(0) 推荐(1) 编辑

导航

< 2025年2月 >
26 27 28 29 30 31 1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 1
2 3 4 5 6 7 8
点击右上角即可分享
微信分享提示