介绍

  SVDFeature是由Apex Data & Knowledge Management Lab在KDD CUP11竞赛中开发出来的工具包。它的目的是有效地解决基于特征的矩阵分解。新的模型能够仅仅通过定义新的特征来实现。这样的基于特征的设置同意我们把非常多信息包括在模型中，使得模型更加与时俱进。使用此工具包，能够非常easy的把其它信息整合进模型，比方时间动态，领域关系和分层信息。

除了评分预測，还能够实现pairwise ranking任务。

  模型

  SVDFeature的模型定义例如以下：

  输入包括三种特征<α，β，γ>，各自是用户特征，物品特征和全局特征。

  模型的终于版本号是：

  活跃函数和损失函数的通常选择例如以下（忽略后面的标识）：

 

   具体内容可自行查阅SVDFeature-manual。

  输入格式

  输入格式是和SVM格式相似的稀疏特征格式。对一个输入样本，我们须要指定三种特征，< α,β,γ >和预測目标。格式例如以下：

 

  这里的id和value相应非零项的特征id和特征值。特征文件首先指定预測的目标，然后是全局。用户，物品特征向量中非零项的数目。

然后以稀疏特征格式列举出非零全局，用户和物品特征。

比如。假设我们使用基本矩阵分解模型。用户0给物品10评分为5：

 5 0 1 1 0:1 10:1

  这里的<0,1,1>表示0个全局特征，1一个用户特征和1个物品特征。0:1表示用户特征。10:1表示物品特征。

  其余具体内容自行查阅SVDFeature-manual。

  SVDFeature工具包里的文件：

  * solvers: all the customization of SVDFeature solvers, not included in the basic package

  * tools  : the auxiliary tools that can be used for experiment

  * demo   : the examples that can help to get started on the toolkit

  操作

  我使用的是Ubuntu14.04。编译环境要求g++4.6及以上，至于怎样安装g++。自行百度。

  将Svdfeature-1.2.2.tar.gz复制到Ubuntu中。解压。

  进入主文件夹和tools文件夹分别输入“make”进行编译。

  编译完毕后进入demo文件夹：

 

  SVDFeature提供了5个样例，各自是：basicMF、binaryClassification、implicitfeedback、neighborhoodModel和pairwiseRank。

  单独进入一个文件夹，里面包括了一个run.sh文件。执行“./run.sh”就可以完毕训练和測试阶段。

  假如文件夹中还有run-ml100K.sh文件，说明能够使用Movielen数据，步骤为：下载 ml-100K 数据, 把 ua.base和ua.test放入文件夹 ,  执行“ run-ml100K.sh”。

  普通执行过程：

 

  执行结束：

 

 预測结果：

 

 使用movielen执行：

 

  执行的结果保存在pred.txt中：

 

  其余几个样例就不一一展示了。