AI-022: 吴恩达教授（Andrew Ng）的机器学习课程学习笔记69-74. Recommender system

本文是学习Andrew Ng的机器学习系列教程的学习笔记。教学视频地址：

https://study.163.com/course/introduction.htm?courseId=1004570029#/courseDetail?tab=1

推荐系统：

69. Recommender systems – problem formulation

自动填补上面的空白，从而根据用户对电影的评价，推荐用户感兴趣的电影；

70. Recommender systems – Content-based recommendations

电影提取特征，对每个用户应用线性回归：

这里假设了我们已经知道电影的特征，且知道用户对电影的描述，所以采用基于内容的推荐系统；但是实际中很多情况是不知道特征的；

71. Recommender systems – Collaborative filtering

协同过滤collaborative filtering

很有意思的特性：特征学习feature learning， 自己学习用什么特征；

假设用户对电影偏好的调查问卷，推导电影的特征：

与基于内容的推荐算法正好相反，可以随机theta，然后用协同过滤最优化x，然后用内容推荐最优化theta，然后用协同过滤最优化x….最后会有一个比较合适的theta和x，这么计算要基于每个用户都对数个电影做了评价，每个电影有多个用户的评价：

 

72. Recommender system – Collaborative filtering algorithm

把两种推荐算法结合到一个代价函数中：

洋红色部分一个是对用户以及用户评价了的电影累加，一个是对电影以及获得评价的用户求和，这两项是一样的；

合起来的等式x为实数，就是第一个由x估计theta；theta为实数就是第二个由theta估计x；

不需要专门设置x0=1, theta0=1，因为算法在自己学习特征，如果需要，他会自己学习到等于1的特征；   

73. Recommender system – vectorization – low rank matrix factorization

矢量化vectorization：低秩矩阵分解low rank matrix factorization

Collaborative filtering algorithm’s vectorization implementation 协同过滤算法的向量化实现；

X*transpose(Theta)是低秩矩阵

学习到的影片特征可能很难可视化，或者很难用被人理解的方式描述；

如何找出想近电影？这样方便推荐给用户他喜欢的相近电影：

74. Recommender systems – implementational detail – mean normalization

Mean normalization均值归一化

有个用户Eve没有评价任何电影，如何分析？

均值归一化：每个电影评价减去每个电影评价的均值

对均值归一化后的数据进行协同过滤求解theta 和x

预测时再将结果加上均值；

本质就是没有用户喜好时，就按大众的喜好程度给用户推荐：）