使用 NMF 生成推荐答案

【问题标题】：Using NMF for generating recommendations使用 NMF 生成推荐
【发布时间】：2018-08-26 17:23:01
【问题描述】：

在使用非负矩阵分解生成推荐时，如何为新用户重建数据？

我遵循这个方程data.dot(H.T.dot(np.linalg.pinv(H.dot(H.T))).dot(H)) 进行重建，其中H 代表潜在成分，data 由包含缺失条目的新数据组成。

但似乎在某个地方出了问题，因为我没有得到预期的结果（来自其他方法的结果，例如 sklearn NMF，特别是 inverse_transform 方法）。

【问题讨论】：

Two people 同时在同一所大学从事同一任务？也许你应该互相交谈:-)。无论如何：你们都误解了inverse_transform 的作用，如上面的链接所述。
谢谢，将与上述检查。但是，我似乎仍然不明白我在 inverse_transform 中遗漏了什么。你介意详细说明一下吗？

【解决方案1】：

from sklearn.decomposition import NMF
model = NMF(n_components=2, init='random', random_state=0)
W = model.fit_transform(data)
H = model.components_

其中data 是您要分解的矩阵。 W 和 H 是非负因子

您可以通过WH'预测新的推荐或调用完成data矩阵

【讨论】：