如何处理基于感知器的推荐系统中的稀疏矩阵？
如何处理基于感知器的推荐系统中的稀疏矩阵？
提问于 2015-12-21 05:06:49
我不得不使用基于感知器的方法。我有一个用户项矩阵，其中包含1到5级的评级数据，大约50%的基准没有数据：
r<- matrix(c(2,4, NA,5,NA,3, NA,5,NA,1,NA,3,NA,5,NA,4,4,NA,NA,NA,1,1,2,NA,1,1,1,1,NA,NA,NA,NA,2,3,4,2,NA,NA,NA,NA,3,4,5,1,NA,NA,2,3,NA), nrow=7).
#one row represents one user, hile one column represents one item
r
[,1] [,2] [,3] [,4] [,5] [,6] [,7]
[1,] 2 5 NA 1 NA 2 5
[2,] 4 NA 4 2 NA NA 1
[3,] NA 1 4 NA NA NA NA
[4,] 5 NA NA 1 NA NA NA
[5,] NA 3 NA 1 2 NA 2
[6,] 3 NA NA 1 3 3 3
[7,] NA 5 1 1 4 4 NA我正在将NA编码为0's，这使得感知器只给出了两个类(一个包含所有的1's和0‘1996，另一个包含所有的2,3,4和5。我想这是可以理解的。)我该怎么处理呢？我尝试了平均估算，但结果并不好(20%的准确性)。
(我无法给出确切的代码，因为这是我公司的专有代码，但是任何基于感知器的方法都应该适用于这个示例)
回答 1
Data Science用户
发布于 2018-03-21 18:51:28
将NAs重编码到0's并不是你想要的。想想这意味着什么:对于特定用户来说，某一项上的缺失值意味着该用户没有看到、聆听或购买该项目(取决于您拥有的数据类型)，而零值意味着用户不喜欢该项目；因此，它们的含义完全不同。
推荐系统的目标基本上是以一种“有意义”的方式填充这些NA值。在推荐系统中，稀疏矩阵是很常见的。我不知道您使用的是哪种方法，也不知道为什么要使用感知器，但我建议您检查推荐系统的矩阵因式分解是如何工作的( Robert Bell、Chris Volinsky和Yehuda Koren的“推荐系统的矩阵因式分解”是一篇很好的论文)，看看这种方法是否适用于您的问题。
您还可以首先尝试一个简单的基线模型，该模型考虑到用户的偏见和项目的偏见；Bell、Volinsky和Koren的论文是一个良好的开端。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/9454
复制相关文章
相似问题
腾讯云开发者
