LIBMF 是在潜在空间使用两个矩阵，接近一个不完全矩阵。Matrix Factorization 主要用在协作过滤，LibMF 主要特性如下：
除了潜在用户和项特性，还包括了用户偏好，项偏差和平均条件
LIBMF 可以在一个多核机器上并行执行
LibMF的作者是大名鼎鼎的台湾国立大学，他们在机器学习领域享有盛名，近年连续多届KDD Cup竞赛上均获得优异成绩，并曾连续多年获得冠军。台湾大学的风格非常务实，业界常用的LibSVM， Liblinear等都是他们开发的，开源代码的效率和质量都非常高
LibMF在矩阵分解的并行化方面作出了很好的贡献，针对SDG优化方法在并行计算中存在的locking problem和memory discontinuity问题，提出了一种矩阵分解的高效算法，根据计算节点的个数来划分评分矩阵block，并分配计算节点。系统介绍可以见这篇论文 （Recsys 2013的 Best paper Award）
Y. Zhuang, W.-S. Chin, Y.-C. Juan, and C.-J. Lin. A Fast Parallel SGD for Matrix Factorization in Shared Memory Systems. Proceedings of ACM Recommender Systems 2013.
-
libMF是林智仁老师开发的一个用于推荐系统的矩阵分解库，下载地址：libMF 测试用的数据集是MovieLen，一个给电影评分的数据集，下载在此：ML 最近在阅读libMF的源代码，并且准备开发其Matlab接口，在此做做笔记。 我的开发环境是在Win8-64bit + Visual Studio 2013下，由于林老师写的程序有很好的跨平台特性，在Linux下开发也是OK的。 首先要解决的是V
-
背景与挖掘目标 随着互联网的快速发展，用户很难快速从海量信息中寻找到自己感兴趣的信息。因此诞生了：搜索引擎+推荐系统 本章节-推荐系统： 帮助用户发现其感兴趣和可能感兴趣的信息。 让网站价值信息脱颖而出，得到广大用户的认可。 提高用户对网站的忠诚度和关注度，建立稳固用户群体。 分析方法与过程 本案例的目标是对用户进行推荐，即以一定的方式将用户与物品（本次指网页）之间建立联系。 由于用户访问网站的数
-
我将本章学到的内容都汇集成了一个Python类，虽然代码有些长，我还是贴在了这里： import codecs from math import sqrt users = {"Angelica": {"Blues Traveler": 3.5, "Broken Bells": 2.0, "Norah Jones": 4.5, "Phoenix": 5.0
-
本章将介绍协同过滤，基本的距离算法，包括曼哈顿距离、欧几里得距离、闵科夫斯基距离、皮尔森相关系数。使用Python实现一个基本的推荐算法。 内容： 推荐系统工作原理 社会化协同过滤工作原理 如何找到相似物品 曼哈顿距离 欧几里得距离 闵可夫斯基距离 皮尔逊相关系数 余弦相似度 使用Python实现K最邻近算法 图书漂流站（BookCrossing）数据集
-
Ceph 依赖 按常规来说，我们建议在较新的 Linux 发行版上部署 Ceph ；同样，要选择长期支持的版本。 Linux 内核 Ceph 内核态客户端 当前我们推荐： 4.1.4 or later 3.16.3 or later (rbd deadlock regression in 3.16.[0-2]) NOT v3.15.* (rbd deadlock regression) 3.14.
-
背景与挖掘目标 随着互联网的快速发展，用户很难快速从海量信息中寻找到自己感兴趣的信息。因此诞生了：搜索引擎+推荐系统 本章节-推荐系统： 帮助用户发现其感兴趣和可能感兴趣的信息。 让网站价值信息脱颖而出，得到广大用户的认可。 提高用户对网站的忠诚度和关注度，建立稳固用户群体。 分析方法与过程 本案例的目标是对用户进行推荐，即以一定的方式将用户与物品（本次指网页）之间建立联系。 由于用户访问网站的数
-
准备硬盘 Ceph 注重数据安全，就是说， Ceph 客户端收到数据已写入存储器的通知时，数据确实已写入硬盘。使用较老的内核（版本小于 2.6.33 ）时，如果日志在原始硬盘上，就要禁用写缓存；较新的内核没问题。 用 hdparm 禁用硬盘的写缓冲功能。 sudo hdparm -W 0 /dev/hda 0 在生产环境，我们建议操作系统和 Ceph OSD 守护进程数据分别放到不同的硬盘。如果必