推荐系统—影视评分预测（续）

在上一篇文章推荐系统—影视评分预测中提出了，几点思考：

=============================一、theta/x的意义？=============================

首先是模型：以下的model1/model2都把user想简单了

（1）model1：给定x=(romance,action)，回归优化theta。

首先模型就给x赋予了意义(movie类型)，那么可以认为theta也跟着有了意义(喜欢romance or action？)

（2）model2：给定theta=(0, 5, 0)，回归优化x。

此模型也给theta赋予了意义(喜欢romance or action？)，那么x也跟着有了意义(movie类型romance or action?)

model1/model2存在什么样的问题呢？——把user想得too simple

喜欢action类型的电影的user就会对所有action类型的电影打高分么？

读者一定不会是这个审美。同样跟演员/导演等等是相关的。

这个质疑就是在质疑模型(不是指回归模型)建得simple了，当然对问题建模可以从简单到精细，这也是按着科学的思路来的。

复杂的模型可能此时求解有困难(没有找到方案or硬件设施跟不上等问题)，转而研究简单的模型。

那么总结model1与model2就是：

给定一个参数(theta or x)用回归模型优化另一个(x or theta)，我们赋予给定参数的意义就可以用来解释预测参数。

（3）还有model3：就是协同过滤——同时优化x/theta

这个跟机器学习里面我们学的 “线性回归”就有差别了，

ML里面都是model1/model2似的：给定（y, X) or (y, Theta)

现在给了一个y，就要 x/theta，还是头一次见。

从优化上面来看：J(x,theta)的凸性看不出来，使用Ng的优化得到的是否是全局最优？

这个问题应该是明确的，但是对于《推荐系统》书看得不多(本身优秀的参考书籍也不多)，目测应该是全局最优。

此问题待以后深入《推荐系统》时再去解决。

现在假设model3得到了正确的求解，但是x/theta的意义是什么呢？ 此处x/theta的维数是由我们来给定的，code中用的是feature=10

我觉得看不出来什么意义？

再或者我们“意义是什么”？为什么一定要有意义，我们是不是被model1/model2带坏了？一定要找个意义？

那么仅仅从“为了回归y”的目的上来考虑，可以没有“意义”；

没有意义，我们对未评分的预测算是什么呢？—没有model1/model2的模型解释，model3的预测就显得没有道理(意义。。。)。

写到这想到 杨绛给一个年轻人的回信：“读书太少，想得太多”。

这些问题先不深究，待读读书/看看paper来了解目前对此的研究情况。

=============================二、是否对x-feature添加分量1==============================

我是想做个数值实验来着，code做的是协同过滤，x/theta都是未知的随机变量了。那么也就无法对x-feature添加分量1了。

后来做了行均值化，那么对于model1：给定x=(romance,action)，回归优化theta，就有点意思了。

。。。一个结论记错了，刚查了下，木有意思了。

所以问题可以是更一般些了：在机器学习中“线性回归”为什么要对x-feature添加分量1？——我查清楚放到评论里。

=============================三、x-feature的意义=============================

这个在<一>中已经论及，这里再整理下：

• model1/model2的模型对某一参数赋予了意义(不一定是romance/action，还可以是其他)，另一参数也就有了意义。
• model3找不出什么意义来。

=============================四、词语意义=============================

"基于内容的推荐"：

看过《集体智慧编程》，此书第二章：提供推荐，也是在讲推荐系统。其中提到“基于用户过滤”和“基于物品过滤”，跟这个名字很相似，但是套路好像真不一样。待查。

"协同过滤"：

看到这个我想到的是——啤酒和尿布，这个好像跟这里的回归模型差别很多，啤酒尿布那块用贝叶斯来搞的，待查。

=============================五、协同过滤code=============================

%% Machine Learning Online Class
clear,clc

%% Part 1: Entering ratings for a new user
movieList = loadMovieList();
my_ratings = zeros(1682, 1);
my_ratings(1) = 4;
my_ratings(98) = 2;
my_ratings(7) = 3;
my_ratings(12)= 5;
my_ratings(54) = 4;
my_ratings(64)= 5;
my_ratings(66)= 3;
my_ratings(69) = 5;
my_ratings(183) = 4;
my_ratings(226) = 5;
my_ratings(355)= 5;

fprintf('\n\nNew user ratings:\n');
for i = 1:length(my_ratings)
    if my_ratings(i) > 0 
        fprintf('Rated %d for %s\n', my_ratings(i), ...
                 movieList{i});
    end
end

%% Part 2: Learning Movie Ratings
%  Now, you will train the collaborative filtering model on a movie rating 
%  dataset of 1682 movies and 943 users%
fprintf('\nTraining collaborative filtering...\n');
%  Load data
load('ex8_movies.mat');

%可见评分比例比较小
fprintf('------用户评分百分比:%f-------\n',sum(R(:))/numel(R))
%  Add our own ratings to the data matrix
Y = [my_ratings Y];
R = [(my_ratings ~= 0) R];
%  Normalize Ratings
[Ynorm, Ymean] = normalizeRatings(Y, R);
%  Useful Values
num_users = size(Y, 2);
num_movies = size(Y, 1);
num_features = 10;

% Set Initial Parameters (Theta, X)
X = randn(num_movies, num_features);
Theta = randn(num_users, num_features);

initial_parameters = [X(:); Theta(:)];
% Set options for fmincg
options = optimset('GradObj', 'on', 'MaxIter', 200);
% Set Regularization
lambda = 10;
%优化部分 计算X Theta使costFunction最小
%原代码 此处有误： 需将Y 改为Ynorm
theta = fmincg (@(t)(cofiCostFunc(t, Ynorm, R, num_users, num_movies, ...
                                num_features, lambda)), ...
                initial_parameters, options);

% Unfold the returned theta back into U and W
X = reshape(theta(1:num_movies*num_features), num_movies, num_features);
Theta = reshape(theta(num_movies*num_features+1:end), ...
                num_users, num_features);

fprintf('Recommender system learning completed.\n');
%% Part 3: Recommendation for you 
%  After training the model, you can now make recommendations by computing
%  the predictions matrix.
p = X * Theta';
my_predictions = p(:,1) + Ymean;
movieList = loadMovieList();

[r, ix] = sort(my_predictions, 'descend');
%此处代码有点小误，既然是推荐，那么user评过分的movie应该过滤掉，
%以下代码木有过滤
fprintf('\nTop recommendations for you:\n');
for i=1:10    
    j = ix(i);
    fprintf('Predicting rating %.1f for movie %s\n', my_predictions(j), ...
            movieList{j});
end

fprintf('\n\nOriginal ratings provided:\n');
%此处简单修改了下，增加了对比
fprintf('----------Movie------------------初始化评分----------预测评分-------\n')
for i = 1:length(my_ratings)
    if my_ratings(i) > 0 
        fprintf('%-36s  %d          %4.3d\n', movieList{i}, my_ratings(i), my_predictions(i))
                
    end
end

输出：

Part 1: Entering ratings for a new user

Part 2: Learning Movie Ratings

Part 3: Recommendation for you