十六： 推荐系统

1 基于内容的推荐系统

设定推荐的东西有一定的特征数据，使用表示第i个推荐物的特征向量

使用表示第j个用户的参数向量 (这里产生了不同，对于每个用户有自己的参数向量)

则该用户线性模型代价函数可表示为：

                      

               （i:r(i,j)表示只纳入用户参与评价的推荐物进行计算，r(i,j)=1代表用户对推荐物评价过）

                                                （y(i,j)代表用户j对推荐物i的评分）

综合所有用户代价函数求得：

                  

                                                  （nu代表用户数）

梯度下降求解：

                

如果我们掌握用户参数，类似的可以训练出电影的特征：

              

                                                 （nm代表推荐物数）

 

2 协同过滤

当我们对推荐物特征及用户参数都未知时候，需要使用协同过滤：

 1. 初始化 x(1),x(2),...,x(nm)， θ(1),θ(2),...,θ(nu)为一些随机小值

 2. 代价函数定义如下，同时最小化特征与参数

 3. 梯度下降法计算

                   

 4. 训练完成，用户j对推荐物的评分可预测为

当我们寻找推荐物i的相似物为用户推荐，可以使用x(i)和 x(j)之间的距离来表示两个推荐物的相似性，取尽可能

距离小的来作为推荐。

 

3 均值归一化

有用户评分数据如下:

          

均一化处理将评分减去电影评分均值更新评分表：

     

使用新的评分表进行训练，模型结果为预测均值偏差，需要加上均值为最终预测值如下：

                                                                          

 

 

 

 

 

 

------------------------------------------------------------------------------------------------------------------------------------

文章内容学习整理于吴教授公开课课程与黄博士笔记，感谢！