11-机器学习之推荐系统

目录

 

一 预测电影评分

二 基于内容的推荐

三 如何学习参数

四 协同过滤

1.背景介绍

2.协同过滤算法

四 协同过滤的向量化实现

五 如何找到跟某个电影相似的电影

六 均值规范化

---

一 预测电影评分

现在一共有五部电影，并且有四个观众的评分数据，评分从一星到五星，观众有可能并没看该电影，也就是未评分。

给出如下定义

• ​n_u=​用户的数量
• ​n_m=​电影的数量
• 如果用户j对电影i进行了评分，​r(i,j)=1​
• ​y(i,j)=1​用户j对电影i的评分（只有r(i,j)=1时才有效）。

通过学习，得到用户对某些未曾评分的电影的预测评分，并进行电影推荐。

二 基于内容的推荐

1.对于上述示例，建立两个特征 (x1,x2)->（romance,action),并对不同的电影给出特征值

2.对于每一个用户j，学习一个参数 ，预测用户j 对低i部电影的评分为个星。

具体公式化如下所示

三 如何学习参数

一句话总结，确定优化目标，用梯度下降法进行优化（给出学习率）

四 协同过滤

1.背景介绍

根据上述例子，假设我们不知道每部电影的的”浪漫程度“和”动作程度“的具体值，可以通过用户的评价来进行预测，但是如果用户没有给出评价怎么办？也可以对每个用户都询问其偏好，然后得到这个用户的参数，然后根据下述计算，得到每部电影的特征值

总结：所以我们可以通过每部电影的特征值，计算出用户对电影的评分，也可以根据用户的偏好，计算出电影的特征向量

如何同时计算上述两种参数？引入协同过滤算法

2.协同过滤算法

将上述两个代价函数加起来，得到如下代价函数

其计算过程如下

1.初始化特征值和参数值以非常小的随机值

2.用梯度下降法最小化上述代价函数

3.使用一个用户的偏好参数θ和电影的特征系数x来预测该用户未评价过的电影的评星​θ_Tx​。

四 协同过滤的向量化实现

首先给出数据集如下

计算目标为得到下图右侧的矩阵（每个元素对应用户对电影的评分）

然后将每个电影的评分做为矩阵X ，将每个用户的参数作为,则可以计算出P中的每一个元素

以上过程也叫低秩矩阵分解

五 如何找到跟某个电影相似的电影

计算两个电影的特征向量的模即可

六 均值规范化

之前的例子中，所有的用户都至少有一个偏好设置（比如喜欢动作电影，参数里面会有体现），但是对于一个新用户，没有任何偏好设置，也没有任何评分的时候，该如何去处理？

如果在这种情况下进行预测，系统会认为新用户对所有电影的评分都是0，显然这样是不对的。

因此引入了均值规范化来解决上述问题

1.首先计算平均值，然后将Y矩阵减去平均值得到新的Y矩阵（使得Y矩阵中每行的求和结果都是0）

2.用户j 对电影i的评分预测为：

因为前面减去了均值，所以需要再加回来

3.对于新用户，假设参数为[0,0],则按上面的公式计算,从而的到预测值