基于模型融合的推荐系统实现(1)：基于SGD的PMF

最新推荐文章于 2025-05-30 08:49:35 发布

原创

最新推荐文章于 2025-05-30 08:49:35 发布 · 2.1k 阅读

6 ·

CC 4.0 BY-SA版权

该博客介绍了如何实现基于模型融合的推荐系统，特别是使用基于SGD的矩阵分解（PMF）算法。作者将训练数据划分为3部分，用SGD进行训练，并探讨了学习速率调整策略、参数初始化以及训练结果的保存，以优化训练过程。尽管取得了0.88的RMSE，但仍有优化空间。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                    
                        
                    
                    (1)PMF算法 
PMF的基本的思路,就是定义两个基本的参数W,U,然后对于任意一个组合(u,m),利用Wi∗Uj,来获取预测值。这些基本的算法思路网上很多,就不细说了。简单说一下程序 
[0]:一开始我们要将训练数据划分为3部分,第一部分用来做普通的SGD训练,第二部分用来训练模型融合,第三部分用来测试RMSE。 
[1]:我们利用SGD(随机梯度下降)来训练函数,最后就可以得到W，U，为了更好的效果,还添加了偏置参数bu,bi，也要训练得到 
[2]:初始值问题,我们随机生成参数,并且正比于1/k√. 
[3]:最后是学习速率的变化,我简单的每次都乘以0.9。但是这里有好几种办法: 
metho
                