Keras-learn-note(3)

May you be faithful to yourself, live earnestly and laugh freel.

Keras 实现矩阵分解

推荐系统算法简介这里简单介绍下推荐系统中最为主要的协同过滤算法，大致分为如下几类：

基于用户的协同过滤（给用户推荐与他相似的人购买的物品）
基于商品的协同过滤（给用户推荐和他之前喜欢的物品相似的物品）
基于模型的协同过滤：关联算法，聚类算法，分类算法，回归算法，矩阵分解，神经网络,图模型以及隐语义模型都属于这个范畴。

之前用了python来写矩阵分解，现在换种写法，用keras来实现矩阵分解。

导入数据

代码语言：javascript复制

import pandas as pd
import numpy as np
rating = pd.read_csv('data/ratings.csv',sep=',')
num_user = np.max(rating['userId'])
num_movie = np.max(rating['movieId'])
print(num_user,num_movie,len(rating))

代码语言：javascript复制

#计算用户电影组合的R矩阵填充率
R = len(rating)/(num_user*num_movie)
print(f"矩阵填充率:{R}")

矩阵的填充率为：0.000853805025622708

搭建模型

代码语言：javascript复制

from keras import Model
import keras.backend as K
from keras.layers import Embedding ,Reshape,Input,Dot
K.clear_session()
def Recomand_model(num_user,num_movie,k):
    input_user = Input(shape=[None,],dtype='int32')
    model_user = Embedding(num_user 1,k,input_length = 1)(input_user)
    model_user = Reshape((k,))(model_user)
    
    input_moive = Input(shape=[None,],dtype="int32")
    model_moive = Embedding(num_movie 1,k,input_length = 1)(input_moive)
    model_moive = Reshape((k,))(model_moive)
    
    out = Dot(1)([model_user,model_moive])
    model = Model(input=[input_user,input_moive],outputs = out)
    model.compile(loss = 'mse',optimizer = 'Adam')
    model.summary()
    
    return model

代码语言：javascript复制

model =Recomand_model(num_user,num_movie,100)

注

model.summary()输出模型各层的参数状况

model.layers.Reshape() :将输出调整为特定的形状

数据处理

代码语言：javascript复制

train_u = rating['userId'].values
train_i = rating['movieId'].values
train_x = [train_u,train_i]
train_y = rating["rating"].values

训练模型

代码语言：javascript复制

model.fit(train_x,train_y,batch_size = 100,epochs = 10)

预测

代码语言：javascript复制

model.predict([[1],[2]])

代码语言：javascript复制

array([[ 3.76612234]], dtype=float32)

编程算法 keras 推荐系统

0 人点赞