关于R中实现斯坦福MMDS第9.4节矩阵UV分解的函数问询

Hey there! Let's tackle your question about UV matrix decomposition in R, including aligning with the approach from MMDS Chapter 9.4.

一、自定义UV分解实现（匹配MMDS章节逻辑） #

First, let's start with a custom implementation to mirror the core mechanics described in the chapter. The chapter mentions gradient descent, but alternating least squares (ALS) is a more practical, stable alternative for this problem. We'll include both versions:

1. 交替最小二乘（ALS）版本 #

# Custom UV decomposition using Alternating Least Squares (ALS)
uv_decompose_als <- function(M, k, lambda = 0.1, max_iter = 100, tol = 1e-6) {
  # M: 输入矩阵（m×n）
  # k: 分解后的秩
  # lambda: 正则化参数
  # max_iter: 最大迭代次数
  # tol: 收敛阈值
  
  m <- nrow(M)
  n <- ncol(M)
  
  # 初始化U和V矩阵
  set.seed(123) # 保证结果可复现
  U <- matrix(rnorm(m * k), nrow = m)
  V <- matrix(rnorm(n * k), nrow = n)
  
  prev_error <- Inf
  
  for (iter in 1:max_iter) {
    # 固定V，更新U
    U <- solve(t(V) %*% V + lambda * diag(k), t(V) %*% t(M)) %>% t()
    
    # 固定U，更新V
    V <- solve(t(U) %*% U + lambda * diag(k), t(U) %*% M) %>% t()
    
    # 计算带正则化的重构误差
    current_error <- norm(M - U %*% t(V), "F")^2 + lambda * (norm(U, "F")^2 + norm(V, "F")^2)
    
    # 检查收敛
    if (abs(prev_error - current_error) < tol) {
      cat("迭代", iter, "次后收敛\n")
      break
    }
    
    prev_error <- current_error
  }
  
  return(list(U = U, V = t(V), final_error = prev_error))
}

# 示例使用
set.seed(123)
sample_matrix <- matrix(rnorm(100), nrow = 10)
decomp_result <- uv_decompose_als(sample_matrix, k = 3)
# 重构矩阵
recon_matrix <- decomp_result$U %*% decomp_result$V

2. 梯度下降版本（完全匹配MMDS 9.4节描述） #

# UV decomposition using Gradient Descent (matches MMDS Chapter 9.4)
uv_decompose_gd <- function(M, k, lambda = 0.1, lr = 0.001, max_iter = 1000, tol = 1e-6) {
  m <- nrow(M)
  n <- ncol(M)
  
  set.seed(123)
  U <- matrix(rnorm(m * k), nrow = m)
  V <- matrix(rnorm(k * n), nrow = k)
  
  prev_error <- Inf
  
  for (iter in 1:max_iter) {
    # 计算U的梯度
    grad_U <- -2 * (M - U %*% V) %*% t(V) + 2 * lambda * U
    # 计算V的梯度
    grad_V <- -2 * t(U) %*% (M - U %*% V) + 2 * lambda * V
    
    # 更新U和V
    U <- U - lr * grad_U
    V <- V - lr * grad_V
    
    # 计算带正则化的误差
    current_error <- norm(M - U %*% V, "F")^2 + lambda * (norm(U, "F")^2 + norm(V, "F")^2)
    
    if (abs(prev_error - current_error) < tol) {
      cat("迭代", iter, "次后收敛\n")
      break
    }
    
    prev_error <- current_error
  }
  
  return(list(U = U, V = V, final_error = prev_error))
}

# 示例使用
gd_decomp_result <- uv_decompose_gd(sample_matrix, k = 3)

二、现成的R语言工具包 #

If you don't want to build from scratch, several R packages implement UV-style regularized low-rank matrix decomposition, which align with the MMDS chapter's framework:

• recommenderlab: 专为推荐系统设计（UV分解的典型应用场景），通过Recommender(data, method = "ALS")实现带正则化的ALS分解，支持显式/隐式评分，完全匹配章节中的正则化低秩近似逻辑。
• softImpute: 主打矩阵补全，但核心的低秩分解采用了类似的正则化最小二乘框架，通过softImpute(type = "svd")可实现接近UV分解的效果，适合大规模数据集。
• irlba: 主要用于截断奇异值分解（SVD），但SVD是UV分解的特殊正交形式，结合正则化调整后，可适配章节中的非正交UV分解需求。

三、关于MMDS 9.4节的专属实现 #

目前没有专门针对该章节梯度下降版UV分解的官方包，但上面的自定义梯度下降函数完全复现了章节中的算法步骤。如果追求效率，推荐使用ALS版本或recommenderlab中的实现——它们的收敛速度和稳定性都优于 vanilla 梯度下降，且核心逻辑与章节一致。

内容的提问来源于stack exchange，提问作者Vanessa