本文详细介绍了推荐系统的模型，包括基于内容的推荐系统和协同过滤推荐系统，涉及训练数据集、代价函数、梯度计算和目标函数。通过梯度下降法进行参数估计，并讨论了协同过滤中同时估计电影特征和用户偏好的方法。最后提到了均值归一化处理，以适应新用户评分的预测。
文章目录
- 推荐系统
-
- 1 模型
- 2 基于内容的推荐系统 (给定 x 1 , … , x m x_{1},\dots,x_{m} x1,…,xm , 估计 θ 1 , ⋯ , θ n \theta_{1},\cdots,\theta_{n} θ1,⋯,θn)
- 3 给定 θ 1 , ⋯ , θ n \theta_{1},\cdots,\theta_{n} θ1,⋯,θn , 估计 x 1 , … , x m x_{1},\dots,x_{m} x1,…,xm
- 4 协同过滤推荐系统 (同时估计 x 1 , … , x m , θ 1 , ⋯ , θ n x_{1},\dots,x_{m},\theta_{1},\cdots,\theta_{n} x1,…,xm,θ1,⋯,θn)
- 5 均值规范化
推荐系统
1 模型
设电影分为 d d d 个题材，某用户对各个主题的喜好权重为 θ \theta θ，某电影中各主题权重为 x x x，假设该用户对该电影的评分模型为
h θ ( x ) = θ T x h_{\theta}(x) = \theta^{T}x hθ(x)=θTx
其中，
θ = [ θ 0 θ 1 ⋮ θ d ] ∈ R d + 1 , x = [ 1 x ( 1 ) ⋮ x ( d ) ] ∈ R d + 1 \theta = \left[\begin{matrix} \theta_{0} \\ \theta_{1} \\ \vdots \\ \theta_{d}\end{matrix}\right] \in \mathbb{R}^{d+1},\quad x = \left[\begin{matrix} 1 \\ x^{(1)} \\ \vdots \\ x^{(d)} \end{matrix}\right] \in \mathbb{R}^{d+1} θ=⎣⎢⎢⎢⎡θ0θ1⋮θd⎦⎥⎥⎥⎤∈Rd+1,x=⎣⎢⎢⎢⎡1x(1)⋮x(d)⎦⎥⎥⎥⎤∈Rd+1
矩阵形式：记 n n n 个用户的主题喜好权重矩阵为 Θ \Theta Θ， m m m 部电影的主题权重矩阵为 X X X，则
[ h θ 1 ( x 1 ) ⋯ h θ n ( x 1 ) ⋮ ⋱ ⋮ h θ 1 ( x m ) ⋯ h θ n ( x m ) ] = X Θ T \left[\begin{matrix}h_{\theta_{1}}(x_{1}) & \cdots & h_{\theta_{n}}(x_{1}) \\ \vdots & \ddots & \vdots\\h_{\theta_{1}}(x_{m}) & \cdots & h_{\theta_{n}}(x_{m}) \end{matrix} \right] = X\Theta^{T} ⎣⎢⎡hθ1(x1)⋮hθ1(xm)⋯⋱⋯hθn(x1)⋮hθn(xm)⎦⎥⎤=XΘT
其中，
Θ = [ θ 1 ( 0 ) θ 1 ( 1 ) ⋯ θ 1 ( d ) ⋮ ⋮ ⋱ ⋮ θ n ( 0 ) θ n ( d ) ⋯ θ n ( d ) ] = [ θ 1 T ⋮ θ n T ] ∈ R n × ( d + 1 ) X = [ 1 x 1 ( 1 ) ⋯ x 1 ( d ) ⋮ ⋮ ⋱ ⋮ 1 x m ( 1 ) ⋯ x m ( d ) ] = [ x 1 T ⋮ x m T ] ∈ R m × ( d + 1 ) \begin{aligned} \Theta &= \left[\begin{matrix} \theta_{1}^{(0)} & \theta_{1}^{(1)} & \cdots & \theta_{1}^{(d)} \\ \vdots &\vdots &\ddots & \vdots \\ \theta_{n}^{(0)} & \theta_{n}^{(d)} & \cdots & \theta_{n}^{(d)} \\ \end{matrix}\right] = \left[\begin{matrix} \theta_{1}^{T} \\ \vdots \\ \theta_{n}^{T} \end{matrix}\right] \in \mathbb{R}^{n\times(d+1)}\\\\ X &= \left[\begin{matrix} 1 & x_{1}^{(1)} & \cdots & x_{1}^{(d)} \\ \vdots &\vdots &\ddots & \vdots \\ 1 & x_{m}^{(1)} & \cdots & x_{m}^{(d)} \\ \end{matrix}\right] = \left[\begin{matrix} x_{1}^{T} \\ \vdots \\ x_{m}^{T} \end{matrix}\right] \in \mathbb{R}^{m\times(d+1)}\\ \end{aligned} ΘX=⎣⎢⎢⎡θ1(0)⋮θn(0)θ1(1)⋮θn(d)⋯⋱⋯θ1(d)⋮θn(d)⎦⎥⎥⎤=⎣⎢⎡θ1T⋮θnT⎦⎥⎤∈Rn×(d+1)=⎣⎢⎢⎡1⋮1x1(1)⋮xm(1)⋯⋱⋯x1(d)⋮xm(d)⎦⎥⎥⎤=⎣⎢⎡x1T⋮xmT⎦⎥⎤∈Rm×(d+1)
2 基于内容的推荐系统 (给定 x 1 , … , x m x_{1},\dots,x_{m} x1,…,xm , 估计 θ 1 , ⋯ , θ n \theta_{1},\cdots,\theta_{n} θ1,⋯,θn)
2.1 训练数据集
- 用户 j j j (共 n n n 个) 对电影 i i i (共 m m m 个) 的评分 (可能为 n u l l null null )
Y = [ y 1 ( 1 ) ⋯ y 1 ( n ) ⋮ ⋱ ⋮ y m ( 1 ) ⋯ y m ( n ) ] Y = \left[\begin{matrix} y_{1}^{(1)} &\cdots & y_{1}^{(n)}\\ \vdots &\ddots &\vdots \\ y_{m}^{(1)} & \cdots &y_{m}^{(n)}\end{matrix}\right] Y=⎣⎢⎢⎡y1(1)⋮ym(1)⋯⋱⋯y1(n)⋮ym(n)⎦⎥⎥⎤
- 各个题材 ( d d d 个) 在电影 i i i (共 m m m 个) 中的特征权重
X = [ 1 x 1 ( 1 ) ⋯ x 1 ( d ) ⋮ ⋮ ⋱ ⋮ 1 x m ( 1 ) ⋯ x m ( d ) ] = [ x 1 T ⋮ x m T ] X = \left[\begin{matrix} 1 & x_{1}^{(1)} & \cdots & x_{1}^{(d)} \\ \vdots &\vdots &\ddots & \vdots \\ 1 & x_{m}^{(1)} & \cdots & x_{m}^{(d)} \\ \end{matrix}\right] = \left[\begin{matrix} x_{1}^{T} \\ \vdots \\ x_{m}^{T} \end{matrix}\right] X=⎣⎢⎢⎡1
最低0.47元/天 解锁文章
扫一扫
5068
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
