推荐系统（三）

均值归一化

如果我们新增用户Eve，且用户Eve未对任何电影评分，那么我们的推荐系统该如何向用户Eve推荐其喜好的电影呢？

我们若从代价函数J(θ)入手，我们会发现只有最后一项与用户Eve（即θ⁽⁵⁾）有关。由于我们对用户Eve喜好未知，因此，推荐系统会将其喜好设置为默认值，即θ⁽⁵⁾ = $[0, 0]^T$。这样，推荐系统预测用户Eve对每一部电影的评分都为0，且无法为用户Eve推荐相关的电影。

为了解决这一问题，我们首先对矩阵Y进行均值归一化，并对其每行求取均值，得到向量μ。我们再用矩阵Y减去均值向量μ，得到新的矩阵Y。最后，我们对新的矩阵Y使用协同过滤算法。

此时，我们对于用户Eve这种未对任何电影评分的用户θ^(j)，推荐系统可对电影i进行预测评分，其公式为：(θ^(j))^Tx⁽ⁱ⁾ + μ_i。

Question:

参考答案为：AC