［机器学习］content-based recommendation

本文内容属于 Andrew Ng的《机器学习》公开课笔记，大部分截图均来自Andrew Ng的课件

所谓基于内容的推荐，就是说我们的item具备某些属性attrs，然后我们可以通过某个user的历史评分记录，计算出该user对各种 属性 attr的喜好程度，从而可以给user推荐具备他喜欢的attr的item

比如说，每一部电影，都由 浪漫和动作 两种属性，如下图

我们以Alice为例，她对前2个romance风格的电影评分很高，对最后2部 action类型的电影评分为0，那么第3部电影的属性列表表示该电影时romance风格的，是不是可以预测 Alice对该电影的评分可能比较高呢？！当然！

其实对于 Alice这个用户而言，就是一个我们已经熟知的 linear regression的问题。

X是电影的attrs向量，y是用户的评分。我们要求的theta就是user对各种attrs的偏好。

详见下图公式：

其算法，就是用 梯度下降法，每一步更新 theta即可，见下图，不用多说

思考一个问题：

item 的内在属性并不是什么时候都可以得到。就算有，按照一般人的思路，可能也得用大量的人力去填，而且还可能不准确。

下一节讲述的 collaborative filter，就是解决这个问题的强大工具.