到目前为止的进度

2009/02/24

SVD模型 d = 250，学习速率0.0055，正则化参数0.002，RMSE = 0.904

2009/02/25

今天用一种新的方法计算item-based算法中的相关系数，只需要3个小时（包含读取文件的时间）。

邻域数为30，得到RMSE = 0.9416

邻域数为100，RMSE = 0.9574

邻域数为20，RMSE = 0.9394

2009/02/27

今天利用模型融合的方法，融合了SVD和item-based KNN两种方法，得到 RMSE = 0.9025

调整参数，alpha = 0.04 beta = 0.5 RMSE = 0.9012

alpha = 0.04 beta = 0.9 RMSE = 0.9013

2009/02/28

item-based 10NN + SVD250 RMSE = 0.9002

2009/03/01

今天发现我在计算probe数据集的RMSE时忘记开根号了，低级错误啊。我一直困惑为什么probe的RMSE在0.8左右，而quiz的确大于0.9，原来是根号的缘故.0.9 * 0.9 = 0.81，呵呵

2009/03/04

今天修改了FLC模型，

item-based 10NN + SVD250 RMSE =0.8994

2009/03/05

简单的线性回归 9个模型融合 RMSE = 0.8989

FCL RMSE = 0.8974 这说明FLC模型还是比线性回归融合的更好的。

现在正在计算NSVD模型，明天也加入融合

2009/03/06

今天加入了NSVD模型，并采用FLC融合，RMSE = 0.8965

下一阶段将考虑时间因素和电影标题