09_推荐系统_吴恩达

1、问题

题目参考链接
在本次练习中，你将实现协同过滤算法并将它运用在电影评分的数据集上，最后根据新用户的评分来给新用户推荐10部电影。这个电影评分数据集由1到5的等级组成。数据集有n u = 943 n_u=943n
u
​
=943个用户和n m = 1682 n_m=1682n
m
​
=1682部电影。在计算完协同过滤的代价函数以及梯度后，将使用牛顿共轭梯度法求得参数。
数据集中，Y是一个(1682, 943)的矩阵，存储了从1到5的评分，矩阵R为二值指标矩阵，其中如果用户j对电影i进行评级，则R ( i , j ) = 1 R(i, j)=1R(i,j)=1，否则R ( i , j ) = 0 R(i, j)=0R(i,j)=0。协同过滤的目的就是预测用户尚未评分的电影的评分，即R ( i , j ) = 0 R(i, j)=0R(i,j)=0的条目。这样我们就可以向用户推荐预测评分最高的电影。
X是电影的特征矩阵，Theta是用户的特征矩阵，X的第i行对应x ( i ) x^{(i)}x
(i)
，表示第i部电影的特征向量（即描述第i部电影内容的特征量），Theta的第j行对应θ ( j ) \theta^{(j)}θ
(j)
，表示第j个用户的特征向量（即第j个用户对不同类型电影的偏好）。这里x ( i ) x^{(i)}x
(i)
和θ ( j ) \theta^{(j)}θ
(j)
都是100维的向量，因此X的维数是(1682100)，Theta的维数是(943100)。

推荐，根据评分，

1.1 基于内容的推荐

根据多个观影人对电影的评分，评分中有电影的特征信息，然后去学习参数，

1.2 协同过滤

根据多个观影人说出自己的喜好，（类似给出参数），去学习电影的特征，然后再去做推荐

实施：首先随机给出参数，去学习特征x，然后根据特征使用1.1去学习参数，再回头使用新学到的参数再学习特征，如此迭代下去。

1.3 低秩矩阵分解

1.4 均值归一化

当一个新用户对所有电影都没有打分的时候，如果使用协同过滤，这个新用户对所有电影的评分都是0，做不到推荐其他的电影，所以对之前已知的用户对电影的评分求一下均值，然后使用协同过滤算法，会把新用户对电影的评分计算成之前的均值，这样就可以做出推荐了。