作者：杰少，煉丹筆記嘉賓

在許多的問題中，例如之前kaggle的KKBox音樂推薦，亦或者是現(xiàn)在的微信推薦大賽，都出現(xiàn)了同樣一個問題，用戶或者商品的冷啟動問題，

處理冷啟動問題的策略有非常多，最為常見的有利用side信息等等，本文我們不講太多其它的操作，直接介紹在KKBox中決定金牌和銀牌的一個操作，SVD處理冷啟動。

SVD分解的構(gòu)建思路很簡單，其數(shù)學(xué)上就是矩陣SVD分解，但類比到實際問題中則可以處理非常多的問題。此處我們介紹其構(gòu)建步驟：

構(gòu)建用戶U和商品I的交互矩陣；

對稀疏矩陣進行SVD分解，得到用戶U和商品I的向量；

將用戶向量和商品向量作為特征拼接到用戶和商品側(cè)。

• 此處我們以KKBox用戶聽歌為例，我們對用戶和歌曲的交互矩陣進行SVD分解。

''' 代碼摘自：https://github.com/lystdo/Codes-for-WSDM-CUP-Music-Rec-1st-place-solution/blob/master/input/training/script/svd_process.py '''import numpy as np import pandas as pd from scipy import sparse from scipy.sparse.linalg import svdsconcat = tr[['msno', 'song_id']].append(te[['msno', 'song_id']]) member_cnt = concat['msno'].max() + 1 song_cnt = concat['song_id'].max() + 1### 1.構(gòu)建交互稀疏矩陣 data = np.ones(len(concat)) msno = concat['msno'].values song_id = concat['song_id'].values rating = sparse.coo_matrix((data, (msno, song_id))) rating = (rating > 0) * 1.0### 2.進行SVD分解 ## svd for user-song pairs n_component = 48 [u, s, vt] = svds(rating, k=n_component) print(s[::-1]) s_song = np.diag(s[::-1])### 3.生成SVD特征向量 members_topics = pd.DataFrame(u[:, ::-1]) members_topics.columns = ['member_component_%d'%i for i in range(n_component)] members_topics['msno'] = range(member_cnt) member = member.merge(members_topics, on='msno', how='right')song_topics = pd.DataFrame(vt.transpose()[:, ::-1]) song_topics.columns = ['song_component_%d'%i for i in range(n_component)] song_topics['song_id'] = range(song_cnt) song = song.merge(song_topics, on='song_id', how='right')

涉及到冷啟動的問題都可以使用SVD特征進行冷啟動嘗試，有奇效。

參考文獻

推薦算法之矩陣分解

https://github.com/lystdo/Codes-for-WSDM-CUP-Music-Rec-1st-place-solution/blob/master/input/training/script/svd_process.py

推薦競賽金牌技能！

總結(jié)

以上是生活随笔為你收集整理的推荐竞赛金牌技能！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。