介绍
SVDFeature是由Apex Data & Knowledge Management Lab在KDD CUP11竞赛中开发出来的工具包。它的目的是有效地解决基于特征的矩阵分解。新的模型能够仅仅通过定义新的特征来实现。这样的基于特征的设置同意我们把非常多信息包括在模型中，使得模型更加与时俱进。使用此工具包，能够非常easy的把其它信息整合进模型，比方时间动态，领域关系和分层信息。
除了评分预測，还能够实现pairwise
ranking任务。
模型
SVDFeature的模型定义例如以下：
输入包括三种特征<α，β，γ>，各自是用户特征，物品特征和全局特征。
模型的终于版本号是：
活跃函数和损失函数的通常选择例如以下（忽略后面的标识）：
具体内容可自行查阅SVDFeature-manual。
输入格式
输入格式是和SVM格式相似的稀疏特征格式。对一个输入样本，我们须要指定三种特征，< α,β,γ
>和预測目标。格式例如以下：
这里的id和value相应非零项的特征id和特征值。特征文件首先指定预測的目标，然后是全局。用户，物品特征向量中非零项的数目。
然后以稀疏特征格式列举出非零全局，用户和物品特征。
比如。假设我们使用基本矩阵分解模型。用户0给物品10评分为5：
5 0 1 1 0:1 10:1
这里的<0,1,1>表示0个全局特征，1一个用户特征和1个物品特征。0:1表示用户特征。10:1表示物品特征。
其余具体内容自行查阅SVDFeature-manual。
SVDFeature工具包里的文件：
* solvers: all the customization
of SVDFeature solvers, not included in the basic package
* tools : the auxiliary tools that can be used for experiment
* demo : the examples that can help to get started on the toolkit
操作
我使用的是Ubuntu14.04。编译环境要求g++4.6及以上，至于怎样安装g++。自行百度。
将Svdfeature-1.2.2.tar.gz复制到Ubuntu中。解压。
进入主文件夹和tools文件夹分别输入“make”进行编译。
编译完毕后进入demo文件夹：
SVDFeature提供了5个样例，各自是：basicMF、binaryClassification、implicitfeedback、neighborhoodModel和pairwiseRank。
单独进入一个文件夹，里面包括了一个run.sh文件。执行“./run.sh”就可以完毕训练和測试阶段。
假如文件夹中还有run-ml100K.sh文件，说明能够使用Movielen数据，步骤为：下载
ml-100K 数据, 把 ua.base和ua.test放入文件夹 , 执行“ run-ml100K.sh”。
普通执行过程：
执行结束：
预測结果：
使用movielen执行：
执行的结果保存在pred.txt中：
其余几个样例就不一一展示了。