MF

MF

1. 论文

Matrix Factorization Techniques for Recommender Systems

创新：经典的矩阵分解模型

2. 模型结构

3. 实验数据集

采用ml-1m数据集进行测试，转换为隐式数据集。数据集的处理见utils文件，主要分为：

1. 读取数据，列名'UserId', 'MovieId', 'Rating', 'Timestamp'；
2. 每个用户的平均打分作为一个特征mean；
3. 得到feature_columns：密集数据mena，稀疏数据为item_id、user_id；
4. 统计每个用户电影评分的总数，将用户的80%作为训练集（按时间排序），20%作为测试集；
5. 最后返回feature_columns, (train_X, train_y), (test_X, test_y)；

4. 模型API

class MF_layer(Layer):
    def __init__(self, user_num, item_num, latent_dim, use_bias=False, user_reg=1e-4, item_reg=1e-4,
                 user_bias_reg=1e-4, item_bias_reg=1e-4):
        """
        MF Layer
        :param user_num: user length
        :param item_num: item length
        :param latent_dim: latent number
        :param use_bias: whether using bias or not
        :param user_reg: regularization of user
        :param item_reg: regularization of item
        :param user_bias_reg: regularization of user bias
        :param item_bias_reg: regularization of item bias
        """

5. 实验超参数

• file：Amazon Electronic文件；
• test_size：测试集占比，0.2；
• latent_dim：隐藏单元维度，32；
• use_bias：是否加入偏置，True；
• learning_rate：学习率，0.001；
• batch_size：512；
• epoch：10；

6. 实验结果

采用ml-1m数据集数据，最终测试集的结果为：