西电数据挖掘实验：分类技术——二分网络上的链路预测
对于A矩阵，所有用户—所有电影都赋予一个值，即行：all_users_size，列：movies_size，首先给all_user、movies进行编号排序:all_uid_idx，mid_inx，每次从数据得到的用户、电影需要映射到序列函数中，得到其编号，如下图for循环中A[all_uid_idx[rating.userId], mid_inx[rating.movieId]]已知k_user
代码：experiments/数据挖掘 at main · ShutongLinn/experiments (github.com)
一、实验内容
基于网络结构的链路预测算法被广泛的应用于信息推荐系统中。算法不考虑用户和产品的内容特征，把它们看成抽象的节点，利用用户对产品的选择关系构建二部图。为用户评估它从未关注过的产品，预测用户潜在的消费倾向。
本实验依托ml-latest-small.zip中包括700个用户对9000部电影的100000条评价数据，对用户—电影进行建模，预测用户潜在的感兴趣的电影。
二、分析与设计
 |
|
|
A |
|
|
|
|
|
W |
|
|
|
|
|
f |
|
|
|
|
|
r |
|
|
总体流程图 |
三、详细实现
1、构建二部图A
对于A矩阵，所有用户—所有电影都赋予一个值，即行：all_users_size，列：movies_size，首先给all_user、movies进行编号排序:all_uid_idx，mid_inx，每次从数据得到的用户、电影需要映射到序列函数中，得到其编号，如下图for循环中A[all_uid_idx[rating.userId], mid_inx[rating.movieId]]
|
|
 |
|
二部图A |
2、计算资源配额矩阵W
 |
|
矩阵运算原理 |
 |
|
资源配额矩阵W |
3、预测f
|
|
 |
|
预测f |
4、准确度r
|
|
Li：对于用户i，有Li个产品未被选上；已知k_users[i]表示用户i的度，即Li = all_user_size – k_users[i]
 |
|
L |
Rij:测试集中用户i选择的电影j，而电影j依据向量 被排在第Rij位；建立升序索引，那f_sorted[I, index[i][j]排在第movies – j位
 |
|
R（f_sorted） |
如果在测试集中用户i选择的电影j，计算相对位置：
 |
|
B为测试集评分>3的矩阵 |
5、绘制ROC
|
|
四、实验结果
 |
|
输出结果 r_aver = 0.003573… AUC = 0.873259… |
 |
|
ROC曲线 |
运行警告：除数矩阵中存在元素0
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
1
0- 0
已为社区贡献1条内容
所有评论(0)