使用LightFM创建稀疏矩阵并打印预测

Question

我目前正在使用名为LightFM的Python库.但是我在将交互传递给fit()方法时遇到了一些麻烦.

Python版本:3库:http://lyst.github.io/lightfm/docs/lightfm.html

文档说明我应该创建一个以下类型的稀疏矩阵:interaction(np.float32 coo_matrix of shape [n_users,n_items]) - 矩阵

但我似乎无法使它工作,它始终建议相同...

更新:当执行它时,top_items变量说出以下内容,无论它迭代哪个用户而不是任何其他项目(牛肉或沙拉),所以看起来我做错了.它每次输出:['Cake''Cheese']

这是我的代码:

    import numpy as np
from lightfm.datasets import fetch_movielens
from lightfm import LightFM
from scipy.sparse import coo_matrix
import scipy.sparse as sparse
import scipy

// Users, items
data = [
    [1, 0], 
    [2, 1], 
    [3, 2],
    [4, 3]
]

items = np.array(["Cake", "Cheese", "Beef", "Salad"])

data = coo_matrix(data)

#create model
model = LightFM(loss='warp')
#train model
model.fit(data, epochs=30, num_threads=2)

// Print training data
print(data)

def sample_recommendation(model, data, user_ids):

    #number of users and movies in training data
    n_users, n_items = data.shape

    #generate recommendations for each user we input
    for user_id in user_ids:

        #movies our model predicts they will like
        scores = model.predict(user_id, np.arange(n_items))

        #rank them in order of most liked to least
        top_items = items[np.argsort(-scores)]

        print(top_items)

sample_recommendation(model, data, [1,2])

Answer 1

 data = coo_matrix(data)

可能不是你想要的；它是 的精确复制品data。不是特别稀疏。

代表什么data？

我猜测您确实想要一个在 表示的坐标处大部分为 0 和 1 的矩阵data。

In [20]: data = [
    ...:     [1, 0], 
    ...:     [2, 1], 
    ...:     [3, 2],
    ...:     [4, 3]
    ...: ]

可能不是你想要的：

In [21]: ds = sparse.coo_matrix(data)
In [22]: ds.A
Out[22]: 
array([[1, 0],
       [2, 1],
       [3, 2],
       [4, 3]])

再试一次：

In [23]: data=np.array(data)
In [24]: ds=sparse.coo_matrix((np.ones(4,int),(data[:,0],data[:,1])))
In [25]: ds
Out[25]: 
<5x4 sparse matrix of type '<class 'numpy.int32'>'
    with 4 stored elements in COOrdinate format>
In [26]: ds.A
Out[26]: 
array([[0, 0, 0, 0],
       [1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]])

这是学习功能中更典型的情况。