对MovieLens 数据集进行评分预测-ALS 与 Surprise 工具的使用-详细解释

最新推荐文章于 2022-09-02 10:23:16 发布

原创

最新推荐文章于 2022-09-02 10:23:16 发布 · 2k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #机器学习 #python #推荐系统

本文介绍了如何利用Surprise库进行推荐系统的评分预测，详细阐述了Surprise库的用途、常用算法，如BaselineOnly和KNNBasic。BaselineOnly算法基于统计的基准预测评分，而KNNBasic算法则采用基于邻域的协同过滤理论。通过代码解析和运行结果展示，读者可以深入理解这两个模型的工作原理和实现过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对MovieLens 数据集进行评分预测-ALS 与 Surprise 工具的使用-详细解释

理论基础
项目解析

理论基础

surprise 用途

这个库用来做MF（矩阵分解）

surprise 中的常用算法

Baseline 算法
基于邻域的协同过滤
矩阵分解：SVD, SVD++,PMF,NMF
slopeOne 协同过滤算法

关于surprise 使用方法的说明

surprise 推荐系统工具算法描述

在这里插入图片描述

model_selection 包

项目解析

BaslineOnly

算法理论部分

基准算法包含两个主要的算法NormalPredictor和BaselineOnly。
BaselineOnly 是基于统计的基准预测线打分，思想是设立基线，并引入user的偏差以及item的偏差。
在这里插入图片描述
μ为所有用户对电影评分的均值
bui：待求的基线模型中用户u给物品i打分的预估值
bu：user偏差（如果用户比较苛刻，打分都相对偏低，则bu<0；反之，bu>0）；
bi为item偏差，反映商品受欢迎程度

Baselines can be estimated in two different ways:
-Using Stochastic Gradient Descent (SGD).
-Using Alternating Least Squares (ALS).

代码讲解

#from surprise import SVD
from surprise import Dataset
from surprise import Reader
from surprise import BaselineOnly, KNNBasic, NormalPredictor
from surprise import accuracy
from surprise.model_selection import KFold
#import pandas as pd

# 数据读取,先定义一个读取器，以','分隔，第一行跳过
reader = Reader(line_format='user item rating timestamp', sep=',', skip_lines=1