机器学习公开课笔记第八周之推荐系统

一，推荐系统定义

推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户

推荐系统算法是目前所学的唯一可以自动选择特征，代替了手动选择特征的烦恼

 

二，推荐系统问题-电影评分系统

根据用户对各电影的评分，来计算用户未评分电影的评分，给用户推荐评分高的电影

 

三，基于内容的推荐系统

假如每部电影\(x^{(i)}\)有两个特征，浪漫系数特征\(x_1\)，动作系数特征(x_2\)等等

对每个用户j，学习一个参数\(\theta^{j}\)，预测用户j对电影i的评分\((\theta^{j})^Tx^{(i}\)

学习\(\theta^{(i)})\)使已评分的电影的评分和预测值最小

优化目标归一化

因为只与\(\theta\)有关，可以用梯度下降法解决

 

三，协同过滤算法

基于内容的推荐系统有一个前提，每部电影的特征\(x^{i}\)必须准确，即必须准确判断出每部电影有多浪漫，有多动作，但在现实中很难做到，也很花时间

如果我们知道\(\theta^{(i)}\)，那么\(x^{i}\)自然可以求出

优化目标

依次计算两个梯度下降

更简单的计算方法，合并两个优化目标

协同过滤算法步骤

向量化计算过程

如何发现哪些电影类似

均值归一化

如果某用户没看过任何电影，那么协同过滤算法最后不会给他推荐任何算法，这并不符合推荐算法的目的

 

所有已评分数减去该影片平均值\(\mu\)，将来预测时再加回平均值\(\mu\)

分两种情况

1),一种能计算出评分，不影响

2),计算不出来的(评分0)，就给它平均值