机器学习笔记8——推荐系统Recommender Systems

前言：这是机器学习的一个重要应用领域，就像淘宝给你推荐商品一样

一、问题规划（电影评分）

1.1 符号表示

表示用户的数量，下标表示具体的第几个用户

表示电影的数量，下标表示具体的第几部电影

为1时，表示用户给电影评价了

用户对电影评价得分，为0-5表示

1.2 问题定义

给出，然后预测用户对自己还没有评价的电影可能会给出的评分（就是图里面的问号部分），了解用户可能会喜欢的电影并推荐

如上图所示，=4，=5

二、基于内容的推荐方法

2.1 对电影类型分类

对这5部电影分类，大致可以分为爱情片和动作片，所以可以建立两个参数衡量电影为爱情片和动作片的程度。结果如下：

（图里面不包括这一项，因为它总是1）

然后建立第一部电影的特征向量为：以此类推

2.2

然后对于每一个用户，都需要学习参数，那么用户对电影的评分就是

2.3

表示用户j评价了电影的数量（no.of movies rated by user j）

目标：学习参数（这里加入了正则化项）

三、协同过滤

1、定义

相比于基于内容的学习方法，协同过滤不需要用户选择好特征，它会自动选择需要的特征

2、过程

已知每个用户的，那么就可以根据用户对每部电影的评分推测电影的爱情程度，动作程度，即

3、推广

4、与基于内容的综合

最后不断迭代

5、已知更好的协同过滤算法

定义一个新的目标优化函数（代价函数），实际上就是把上面两种优化函数结合在一起，不存在了，同时解出

总结：

6、均值归一化

用途：如果新来一个用户，他没有评分过，如何推荐电影呢？

然后减去均值，使得均值为0

再用这个Y学习参数

预测新用户的评分实际上是平均分了

这是观看吴恩达网易云机器学习系列做的笔记

图片来源于视频课件