Rapport sur la Factorisation Matricielle

Participants :
Djouatsa Renelle 21y114 (20%)
Kuette Dora Blondie (20%)
Kouomogne Kouam Ange (20%)
Lieugop Ivana Manuella 22y1041 (20%)
Mengue Michel Xavier (20%)

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella122y10
/8
 Introduction

Ce rapport présente diverses méthodes de factorisation matricielle,

notamment :
Algorithme multiplicatif
Bi-diagonalisation
Descente de gradient stochastique
Optimisation alternée

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella222y10
/8
 I. Algorithme Multiplicatif

Définition des matrices A et B : Deux matrices A et B (2x2).

Vérification des dimensions : Vérifier la compatibilité pour la
multiplication.
Initialisation de C : Matrice C initialisée à zéro.
Algorithme multiplicatif : Implémenté avec trois boucles
imbriquées.
Calcul du produit : Produit des éléments de A et B.
Affichage des résultats : Matrices A, B et C affichées.

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella322y10
/8
 II. Bi-Diagonalisation

Objectif : Transformer A en forme bi-diagonale B.

Fonctionnalité Principale :
Entrées : A, k (itérations).
Sorties : V (vecteurs de base), B (matrice bi-diagonale).
Processus :
1 Initialisation des matrices V et U.
2 Choix d’un vecteur initial normalisé.
3 Boucle principale pour calculer u et v.
4 Construction de B à partir de α et β.
Vérification : Produit UB proche de AV.

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella422y10
/8
 III. Descente de Gradient Stochastique

Présentation : Utilisé pour recommandation de produits et données

manquantes.
Méthodologie :
Y : Matrice des observations.
rho: Taux d’apprentissage.
lambda1 , lambda2 : Coefficients de régularisation.
d: Dimension des facteurs latents.
Processus d’Optimisation :
1 Initialisation de U et V.
2 Boucles sur les indices pour mise à jour.
3 Application de la régularisation.

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella522y10
/8
 Code : Descente de Gradient Stochastique

[language=Matlab] function [U, V] =

sgdw ithr egularization(Y , rho, lambda1, lambda2, d)[m, n] = size(Y ); U =
rand(m, d); V = rand(n, d); fork = 1 : dforij = 1 : numel(Y )[i, j] =
ind2sub(size(Y ), ij); ifY (i, j) = 0ei j =
Y (i, j)−(U(i, k)∗V (j, k)′ ); U(i, k) = U(i, k)+rho ∗ei j ∗V (j, k); V (j, k) =
V (j, k) + rho ∗ ei j ∗ U(i, k); U(i, k) = U(i, k) − rho ∗ lambda1 ∗
U(i, k); V (j, k) = V (j, k) − rho ∗ lambda2 ∗ V (j, k); endendendend

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella622y10
/8
 IV. Optimisation Alternée

Méthodologie :
Y : Matrice des observations.
rho: Taux d’apprentissage.
lambda1 , lambda2 : Coefficients de régularisation.
d: Dimension des facteurs latents.
num iterations: Nombre d’itérations.
Processus d’Optimisation :
1 Initialisation de U et V.
2 Mise à jour de U et V.
3 Application de la régularisation.

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella722y10
/8
 Code : Optimisation Alternée

[language=Matlab] function [U, V] =

alternatingo ptimization(Y , rho, lambda1, lambda2, d, numi terations)[m, n] =
size(Y ); U = rand(m, d); V = rand(n, d); foriter = 1 : numi terationsfori =
1 : mfork = 1 : dsumv k = 0; forj = 1 : nifY (i, j) = 0ei j = Y (i, j) − (U(i, :
) ∗ V (j, :)′ ); sumv k = sumv k + ei j ∗ V (j, k); endendU(i, k) =
U(i, k) + rho ∗ sumv k − rho ∗ lambda1 ∗ U(i, k); endendforj = 1 : nfork =
1 : dsumu i = 0; fori = 1 : mifY (i, j) = 0ei j = Y (i, j) − (U(i, :) ∗ V (j, :
)′ ); sumu i = sumu i + ei j ∗ U(i, k); endendV (j, k) =
V (j, k) + rho ∗ sumu i − rho ∗ lambda2 ∗ V (j, k); endendendend

Participants : Djouatsa Renelle 21y114 (20%)Kuette

Rapport
Dorasur
Blondie
la Factorisation
(20%)Kouomogne
Matricielle
Kouam Ange (20%)Lieugop Ivana Manuella822y10
/8