非负矩阵分解：如何预测新条目的值？

我的当前理解：
我尝试阅读了一些关于NMF的论文和链接。它们都讨论了如何将一个MxN矩阵分解为MxR和RxN矩阵（R

问题：
我有一组用户(U)和每个用户的一些任务(A)。现在我使用NMF分解这个矩阵(UxA)。我得到了两个矩阵UxR和RxA。我如何使用这些矩阵来预测一个新用户(U’)应该拥有的任务(A’)？

任何帮助都将不胜感激，因为我尝试搜索答案后仍然无法理解这一点。

附带问题和基于意见的：
如果有人能根据他们的经验告诉我，他们是如何选择R的，特别是当任务数量达到5万或十万的数量级时。我一直在使用scikit-learn库进行这些尝试

编辑：这可以简单地通过使用model.inverse_transform(model.transform(User’))来完成

回答：

你可以将这个问题视为推荐系统。你想要近似分解矩阵X为两个非负矩阵U和V。

from sklearn.decomposition import NMFmodel = NMF(n_components=2, init='random', random_state=0)W = model.fit_transform(X)H = model.components_

其中X是你想要分解的矩阵。W和H是非负因子

要预测一个新用户(U’)的任务(A’)，你只需使用WH’来完成矩阵

学技术