Python 使用NMF生成建议

使用非负矩阵分解生成推荐时，如何为新用户重建数据

我遵循这个方程进行重建，

H

表示潜在成分，

数据

由包含缺失项的新数据组成

但是似乎有些地方出了问题，因为我没有得到预期的结果（来自其他方法的结果，比如sklearn NMF，特别是

逆变换
方法）。
请参见

对于pyothn scikit learn，您可以使用：

其中，
data
是要分解的矩阵
W
和
H
是非负因素

您可以通过
WH'
预测新的推荐或调用的
数据矩阵，请参见

对于pyothn scikit learn，您可以使用：

其中，
data
是要分解的矩阵
W
和
H
是非负因素

您可以通过在同一时间在同一所大学从事同一项任务来预测新的推荐或调用完成的
数据
矩阵
WH'
？也许你们应该互相谈谈：-）。无论如何：正如上面链接中所描述的那样，你们都误解了
逆变换的作用。谢谢，我会与前面提到的内容核对一下。然而，我似乎仍然不明白我在逆变换中遗漏了什么。。你介意详细说明一下吗？在同一所大学同时从事同一项工作？也许你们应该互相谈谈：-）。无论如何：正如上面链接中所描述的那样，你们都误解了
逆变换的作用。谢谢，我会与前面提到的内容核对一下。然而，我似乎仍然不明白我在逆变换中遗漏了什么。。你介意详细说明一下吗？第一个链接断了第一个链接断了
from sklearn.decomposition import NMF
model = NMF(n_components=2, init='random', random_state=0)
W = model.fit_transform(data)
H = model.components_