非負値行列因子分解（NMF）によるレコメンドのちょっとした例 - About connecting the dots.

最近線形代数についていろいろ読みなおしたりしてるのですが（線形代数チートシートを前の記事でまとめてあります），その一環でレコメンドアルゴリズムについていくつか試してみたので，それを解説します．順序としては，基本の協調フィルタリング（ユーザベースド，アイテムベースド）→特異値分解（SVD）→非負値行列因子分解（NMF）になります． 基本的な考え方 ここで取り扱うのは，すべて以下のようなユーザ×商品のマトリックスをベースとしたレコメンドになります*1．ここでは映画レンタルサービスを例にして考えます．6人のユーザが，4つの映画*2のうちレンタル視聴したものについては，1-5点の5段階評価を行いました．0になっているものは「みていない」ということになります． まずはざっと評価の状況をみると，「千と千尋の神隠し」が最もよく視聴されていて，6人中4人がみています．次にみられているのは「となりのトトロ」

[chezou]

だいたい、ビッキー氏へのリファーだった

[teddy-g]

アイテムベース、ユーザベースのレコメンドの基本手法から、SVD&NMF使う方法まで簡潔に説明。アイテムの類似性×ユーザプロファイルでレコメンドする際に、SVD或いはNMFでプロファイルを再構築する感じ。