In precedenza ho implementato il modello originale Bayesian Probabilistic Matrix Factorization (BPMF) in pymc3
. See my previous question per riferimento, origine dati e impostazione problemi. Per la risposta a questa domanda di @twiecki, ho implementato una variante del modello usando i priori LKJCorr
per le matrici di correlazione e i priori uniformi per le deviazioni standard. Nel modello originale, le matrici di covarianza sono tratte dalle distribuzioni di Wishart, ma a causa delle attuali limitazioni di pymc3
, la distribuzione di Wishart non può essere campionata correttamente. This answer a una domanda liberamente correlata fornisce una spiegazione succinta per la scelta dei priori LKJCorr
. Il nuovo modello è sotto.BPMF modificato in PyMC3 utilizzando priori `LKJCorr`: PositiveDefiniteError utilizzando` NUTS`
import pymc3 as pm
import numpy as np
import theano.tensor as t
n, m = train.shape
dim = 10 # dimensionality
beta_0 = 1 # scaling factor for lambdas; unclear on its use
alpha = 2 # fixed precision for likelihood function
std = .05 # how much noise to use for model initialization
# We will use separate priors for sigma and correlation matrix.
# In order to convert the upper triangular correlation values to a
# complete correlation matrix, we need to construct an index matrix:
n_elem = dim * (dim - 1)/2
tri_index = np.zeros([dim, dim], dtype=int)
tri_index[np.triu_indices(dim, k=1)] = np.arange(n_elem)
tri_index[np.triu_indices(dim, k=1)[::-1]] = np.arange(n_elem)
logging.info('building the BPMF model')
with pm.Model() as bpmf:
# Specify user feature matrix
sigma_u = pm.Uniform('sigma_u', shape=dim)
corr_triangle_u = pm.LKJCorr(
'corr_u', n=1, p=dim,
testval=np.random.randn(n_elem) * std)
corr_matrix_u = corr_triangle_u[tri_index]
corr_matrix_u = t.fill_diagonal(corr_matrix_u, 1)
cov_matrix_u = t.diag(sigma_u).dot(corr_matrix_u.dot(t.diag(sigma_u)))
lambda_u = t.nlinalg.matrix_inverse(cov_matrix_u)
mu_u = pm.Normal(
'mu_u', mu=0, tau=beta_0 * lambda_u, shape=dim,
testval=np.random.randn(dim) * std)
U = pm.MvNormal(
'U', mu=mu_u, tau=lambda_u,
shape=(n, dim), testval=np.random.randn(n, dim) * std)
# Specify item feature matrix
sigma_v = pm.Uniform('sigma_v', shape=dim)
corr_triangle_v = pm.LKJCorr(
'corr_v', n=1, p=dim,
testval=np.random.randn(n_elem) * std)
corr_matrix_v = corr_triangle_v[tri_index]
corr_matrix_v = t.fill_diagonal(corr_matrix_v, 1)
cov_matrix_v = t.diag(sigma_v).dot(corr_matrix_v.dot(t.diag(sigma_v)))
lambda_v = t.nlinalg.matrix_inverse(cov_matrix_v)
mu_v = pm.Normal(
'mu_v', mu=0, tau=beta_0 * lambda_v, shape=dim,
testval=np.random.randn(dim) * std)
V = pm.MvNormal(
'V', mu=mu_v, tau=lambda_v,
testval=np.random.randn(m, dim) * std)
# Specify rating likelihood function
R = pm.Normal(
'R', mu=t.dot(U, V.T), tau=alpha * np.ones((n, m)),
observed=train)
# `start` is the start dictionary obtained from running find_MAP for PMF.
# See the previous post for PMF code.
for key in bpmf.test_point:
if key not in start:
start[key] = bpmf.test_point[key]
with bpmf:
step = pm.NUTS(scaling=start)
L'obiettivo con questo reimplementazione era quello di produrre un modello che potrebbe essere stimato utilizzando il NUTS
campionatore. Purtroppo, sto ancora ricevendo lo stesso errore all'ultima riga:
PositiveDefiniteError: Scaling is not positive definite. Simple check failed. Diagonal contains negatives. Check indexes [ 0 1 2 3 ... 1030 1031 1032 1033 1034 ]
Ho fatto tutto il codice per PMF, BPMF, e questo BPMF modificato disponibile in this gist di rendere semplice per replicare l'errore. Tutto quello che devi fare è scaricare i dati (anch'essi referenziati nel significato).
Sì, questo risolve il problema. Ho aggiornato l'essenza di conseguenza. – Mack