目標：

用TensorFlow2，實現協同過濾算法中的矩陣分解。網上找的絕大部分是基于一個模板復制出來的，且基于TensorFlow1，因此本人親自動手，用TensorFlow2實現。

• 好奇為什么TensorFlow2不幫我們實現了，在Spark中，直接調用spark.mllib.recommendation.ALS() 就好了。

---

內容：

在推薦系統中，協同過濾算法是很常用的推薦算法。中心思想：物以類聚，人以群分。也就是口味相同的人，把他喜歡的物品或者電影歌曲推薦給你；或者是將你喜歡的物品，類似的物品推薦給你。
整體流程：
1、 獲取用戶對商品的評分、購買記錄等
2、 構造協同矩陣M
3、 基于矩陣進行分解M=U*V
4、 利用要推薦的物品或者用戶，和U或者V計算相似度

---

代碼：

TensorFlow2可以自動幫你求導更新參數，太方便了，你要做的就是構造損失函數loss而已。
loss函數可以理解為，我們分解得到U*V得到預測的M_pre，用M和M_pre求歐式距離：即歐幾里得距離（Euclidean Distance）
公式具體為：

大致意思就是分解一個大矩陣為兩個小矩陣相乘。

具體代碼為：

'''================================================= @Function -> 用TensorFlow2實現協同過濾矩陣的分解 @Author ：luoji @Date ：2021-10-19 =================================================='''import numpy as np import tensorflow as tfdef matrixDecomposition(alike_matix,rank=10,num_epoch= 5000,learning_rate=0.001,reg=0.5):row,column = len(alike_matix),len(alike_matix[0])y_true = tf.constant(alike_matix, dtype=tf.float32) # 構建y_trueU = tf.Variable(shape=(row, rank), initial_value=np.random.random(size=(row, rank)),dtype=tf.float32) # 構建一個變量U，代表user權重矩陣V = tf.Variable(shape=(rank, column), initial_value=np.random.random(size=(rank, column)),dtype=tf.float32) # 構建一個變量，代表權重矩陣，初始化為0variables = [U,V]optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)for batch_index in range(num_epoch):with tf.GradientTape() as tape:y_pre = tf.matmul(U, V)loss = tf.reduce_sum(tf.norm(y_true-y_pre, ord='euclidean')+ reg*(tf.norm(U,ord='euclidean')+tf.norm(V,ord='euclidean'))) #正則化項print("batch %d : loss %f" %(batch_index,loss.numpy()))grads = tape.gradient(loss,variables)optimizer.apply_gradients(grads_and_vars=zip(grads,variables))return U,V,tf.matmul(U, V)if __name__ == "__main__":# 把矩陣分解為 M=U*V ，U和V由用戶指定秩rankalike_matrix = [[1.0, 2.0, 3.0],[4.5, 5.0, 3.1],[1.0, 2.0, 3.0],[4.5, 5.0, 5.1],[1.0, 2.0, 3.0]]U,V,preMatrix = matrixDecomposition(alike_matrix,rank=2,reg=0.5,num_epoch=2000) # reg 減小則num_epoch需增大print(U)print(V)print(alike_matrix)print(preMatrix)print("this difference between alike_matrix and preMatrix is :")print(alike_matrix-preMatrix)print('loss is :',sum(sum(abs(alike_matrix - preMatrix))))

待分解的矩陣：
[[1.0, 2.0, 3.0],
[4.5, 5.0, 3.1],
[1.0, 2.0, 3.0],
[4.5, 5.0, 5.1],
[1.0, 2.0, 3.0]]

分解后，相乘的到的矩陣：

[[1.0647349 1.929376 2.9957888]
[4.6015587 4.7999315 3.1697667]
[1.0643657 1.9290545 2.9957101]
[4.287443 5.211667 4.996485 ]
[1.0647217 1.9293401 2.9957187]],

可以看出兩者還是很相似的，證明我們用TensorFlow2進行的矩陣分解是正確的。
注意，正則化項reg需要和num_epoch配套，reg越大，收斂越快，但效果不一定最好。

---

產出：

TensorFlow2，實現協同過濾算法中的矩陣分解，而且該模塊可以直接復用。
1、加深了對TensorFlow2的理解，太神奇了，只要找到損失函數loss，模型就可以訓練。Amazing！
2、CSDN 技術博客1 篇，全網找不到第二個基于TensorFlow2實現的。好奇為什么TensorFlow2不幫我們實現了，在Spark中，直接調用spark.mllib.recommendation.ALS() 就好了

總結

以上是生活随笔為你收集整理的TensorFlow2实现协同过滤算法中的矩阵分解（首家基于TS2版本）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。