调包一时爽，复现马上躺。
Co-Clustering
注意右上角的：“Edit on GitHub”，一开始疯狂吐槽没有源码，复现得非常难受，今天刚做完GM05中Algotirhm1部分，再次点开无意中发现了源码的GitHub，准备复现完成后去看看不同所在。预期到复现效果一定是极差的，并不是自我质疑，而是所用设备问题，在行列确定聚类数时，没有能力枚举行列大小运用肘部法则确定k值，故随机了几组范围，得到了这些范围内最小的SSE误差聚类数作为行列的类数。本博客分为两部分，第一部分主要阐述复现的学习过程，第二部分则是对源码的学习。大概率是看不懂了Co-Clustering（下称该算法）
Prediction Formula:
$ widehat{A_{ij}} = A^{COC}_{gh} + (A^R_i - A^{RC}_g) + (A^C_j - A^{CC}_h) $
上面就是Co-Clustering的预测公式，下面来说说复现过程的问题和手拙的地方。
先放核心算法（Static Training）：
复现描述：
首先，算法描述中的Input，提到了权重数组W（$W_ij = (A_ij==0)$ ），这个可以很方便地求出，但是还涉及到了行列的类数，这显然没有提供，所以是需要聚类的。在聚类的时候，就想到直接运用KMeans，枚举K，用肘部法则来确定k值，但是其实这样非常地花费时间，所以就随机了几个区间取最好的结果来（最后的SSE也有大几万，可以说还是很差劲的）。
其次，在Method中，一开始随机的协同中心，发现其实时一系列的协同中心，并不是很理解，就先按照自己的理解把每个用户和每个电影的平均得分，作为初始类中心，然后准备开始迭代，发现jupyter的*一直没有变成数字，就大概猜到迭代不动了，至于为什么，原因也不是很清楚。
最后，第一次迭代仍然没有完成，等于没有复现成功。而看了一下算法描述的第二部分是Prediction，其实就是开头写下的公式，并且结合需要预测的用户-电影组是不是未在数据集中出现过的（00，01，10，11共四种情况），来做对应调整。还有最后一部分是增量训练，就是面对新加入的数据，并不是预测就结束了，是需要变成数据集的数据来不断学习的，这部分去看了算法和源码学习了一下。
源码学习：
很惊喜的是，竟然都看得懂。很遗憾的是，这不难的代码竟然没有复现出来，不得不说码力还是太僵了。代码很巧妙地实现了论文所说的第一部分算法（第二部分仅为公式套用），真的还需要多学习，论文摆在眼前竟然还只复现了一半不到，想不清楚怎么去迭代的。但是，对于第一部分还有个疑惑，就是源码假设了用户和电影的类别数都是3，然后去迭代，并没有我去枚举k找到最佳类数的操作，在这里不是很理解。虽然最后肯定会收敛，但是这难道不会影响预测的准确度么？
其次，还有一个疑虑，就是代码并没有第三部分增量学习的表达（Incremental Training），怎么也要有个update函数吧而论文所说该算法的亮点正是对于新数据，并且论文假设其为局部增量的时候（局部增量，个人理解是小规模的新加入数据，其规模相对于原来的数据来说较小，增量特征学习），该算法迭代速度与准确度优于SVD，NMF。于是，我大胆猜测所谓的增量学习，不过就是重新计算迭代预测，因为CoClustering的迭代速度很快本地跑得好慢，所以所谓的局部增量变化，其实就是直接被当成了新增加的用户和电影（如若两者均为新的）加入矩阵来进行预测，而论文的描述也是如同预测一般去分类讨论，紧接着更新对应的中心、均值，说明和我的猜测相去无几本来以为会有全新的操作。至于第四部分（Parallel Co-Clustering），看懂了语言描述中将行列分开计算来加快速度的思路，但在算法描述的时候，又说是拿一部分子矩阵来迭代（就是将算法第一部分描述中的更新整个矩阵，变成更新所选取的子矩阵），可能是对于并行计算并没有了解，所以带了这些疑惑，之后了解并行计算再回头看看。
PS：第一次看这种纯算法描述的英文论文有点难懂，如果没调包估计不会遇到这个算法，也不会为了能够有底气地展示去如此认真地看论文，认真学掉还是挺有趣的，可以说让聚类在我心里提了一个档次，疯狂入坑。