机器学习·L3W2-协同过滤

推荐算法

推荐算法可以预测用户评分，并根据评分推荐数据
推荐算法与其他预测算法的区别在于：推荐算法中的数据大多都不完整，用户只对几个电影评分；而预测算法则要求数据完整，便于拟合和预测

协同过滤

评分矩阵Y，左侧索引是名称，栏目是用户名
协同过滤的基本原理就是利用已有的评分数据，对未有的评分数据进行预测，根据评分大小推荐给用户

本质上用的算法还是线性回归那套

计算公式

$$J({\mathbf{x}}^{(0)},...,{\mathbf{x}}^{(n_m-1)},{\mathbf{w}}^{(0)},b^{(0)},...,{\mathbf{w}}^{(n_u-1)},b^{(n_u-1)})=\left[\frac{1}{2}\sum _{(i,j):r(i,j)=1}({\mathbf{w}}^{(j)}\cdot {\mathbf{x}}^{(i)}+b^{(j)}-y^{(i,j)}{)}^2\right]+\underset{regularization}{\underbrace{\left[\frac{\lambda }{2}\sum _{j=0}^{n_u-1}\sum _{k=0}^{n-1}({\mathbf{w}}_k^{(j)}{)}^2+\frac{\lambda }{2}\sum _{i=0}^{n_m-1}\sum _{k=0}^{n-1}({\mathbf{x}}_k^{(i)}{)}^2\right]}}$$
The first summation in (1) is “for all $i$, $j$ where $r(i,j)$ equals $1$” and could be written:

$$=\left[\frac{1}{2}\sum _{j=0}^{n_u-1}\sum _{i=0}^{n_m-1}r(i,j)\ast ({\mathbf{w}}^{(j)}\cdot {\mathbf{x}}^{(i)}+b^{(j)}-y^{(i,j)}{)}^2\right]+\text{regularization}$$

代码

本质上就是一个矩阵的运算，利用np.sum()化简代码

自定义计算函数cofi_cost_func_v

def cofi_cost_func_v(X, W, b, Y, R, lambda_):
    """
    Returns the cost for the content-based filtering
    Vectorized for speed. Uses tensorflow operations to be compatible with custom training loop.
    Args:
      X (ndarray (num_movies,num_features)): matrix of item features
      W (ndarray (num_users,num_features)) : matrix of user parameters
      b (ndarray (1, num_users)            : vector of user parameters
      Y (ndarray (num_movies,num_users)    : matrix of user ratings of movies
      R (ndarray (num_movies,num_users)    : matrix, where R(i, j) = 1 if the i-th movies was rated by the j-th user
      lambda_ (float): regularization parameter
    Returns:
      J (float) : Cost
    """
    j = (tf.linalg.matmul(X, tf.transpose(W)) + b - Y)*R
    J = 0.5 * tf.reduce_sum(j**2) + (lambda_/2) * (tf.reduce_sum(X**2) + tf.reduce_sum(W**2))
    return J

利用tensorflow求导

iterations = 200
lambda_ = 1
for iter in range(iterations):
    with tf.GradientTape() as tape:

        cost_value = cofi_cost_func_v(X, W, b, Y, R, lambda_)


    grads = tape.gradient( cost_value, [X,W,b] )

    optimizer.apply_gradients( zip(grads, [X,W,b]) )

    if iter % 5 == 0:
        print(f"Training loss at iteration {iter}: {cost_value:0.1f}")

预测变量

• 矩阵乘法：y_pred=X@W.T+b
• 合并原始数据：Y_res=R*Y+(1-R)*y_pred

预测二进制变量

原来的$f(w,b,x)\to f=sigmoid(z)$函数
损失函数改为交叉熵即可！

技巧：平均值正常化

模型评估

• 不适合冷启动问题
• 需要额外的信息，很难解释这些额外的信息的含义
• 梯度下降速度极慢，参数太多