Matemática :: Preference :: SVD Math :: Preference :: SVD é um mecanismo de preferência / recomendação com base na decomposição de valor único (SVD).
Baixe Agora

Matemática :: Preference :: SVD Classificação e resumo

Matemática :: Preference :: SVD Tag

matemático Módulo Perl. motor de recomendação Decomposição de valor único SVD recomendação

Matemática :: Preference :: SVD Descrição

MATH :: Preference :: SVD é um mecanismo de preferência / recomendação com base na decomposição de valor único (SVD). MATH :: Preference :: SVD é um motor de preferência / recomendação com base na decomposição de valor único (SVD) .Synopsis Use matemática :: Preferência :: SVD; Meu $ X = Matemática :: Preferência :: Svd-> Novo; meus @users = (0..3); minhas @movies = (0..3); Meus @ratings = (mapa ({} @users), # * todos * diz item 0 é classificado 4 mapa ({} @users), # todo mundo * diz o item 1 é classificado 5 MAP ({} @users), # * todos * diz que o item 2 é classificado 1 mapa ({} @users), # * Todos * diz que o item 3 é classificado 2); $ x-> set_ratings (@ratings,); Para o meu CUST (@users) {para o meu $ movie (@movies) {# Predict_rating () leva movie_id então cust_id - sim, # isso parece para trás para mim também meu $ predicted = sprintf "% 1.2f", $ x -> Predict_rating ($ movie, $ CU); Imprimir "Cust $ CUs diz sobre filme $ movie: previsto: $ prever"; }} Este módulo implica um simples "mecanismo de preferência" com base em uma das entradas para a concorrência do Prêmio Netflix. Os mecanismos de preferência levam dados de classificação de usuários para itens e tente prever a classificação do usuário para outros itens para que um sistema possa encontrar e sugerir a eles outras coisas que provavelmente comprarão ou desfrutarem.Single Value Decoporposição leva uma grande variedade retangular de dados e Decomponha-o em duas matrizes, um contanto que os dados e um quanto largamente, que se aproxime a matriz original. Aqui e ali. E então ele faz novamente, começando com o erro deixado desligado pelo primeiro conjunto de matrizes, fazendo um segundo conjunto de matrizes longas e amplas. E então isso de novo. O resultado é uma série de matrizes que podem ser multiplicadas em conjunto, e suas saídas totalizaram, para reconstruir aproximadamente o original. A matriz de entrada grande pode, por exemplo, tem clientes nas colunas e filmes nas linhas, com dados preenchidos aqui e lá para especificar a classificação desse cliente desse filme. Cada conjunto de matrizes, com um alto (para filmes) e um amplo (para clientes), pode ser considerado como contendo informações sobre algum atributo tangível dos filmes que estão sendo avaliados e como o usuário se sente sobre esse atributo. Veja as referências abaixo para um exemplo incrível dos três primeiros atributos extraídos do Data do Prêmio Netflix.Extrapolação é um efeito colateral desse esquema de compressão perdida. É aqui que o Bit do motor de recomendação entra em jogo - você pode pedir a coisa para classificações por um cliente que esse cliente nunca fez, e isso vai multiplicar os recursos do cliente versus os recursos do filme para os vários recursos, adicione-os, e dar-lhe uma classificação prevista para esse filme para esse usuário. Por iterating sobre todos os filmes (e eu digo filmes, mas o usuário pode ser classificando qualquer coisa, incluindo outros usuários) e pedindo previsões para um usuário específico para esse filme e classificando os resultados, você pode criar uma lista de recomendações que ele ou ela ou ela gostar. Requisitos: · Perl.

Matemática :: Preference :: SVD Software Relacionado