Stanford 机器学习-Recommender Systems

16.2 Content Based Recommendations

基于内容的推荐是一只所有电影的特征值，图中$x^{(i)}$电影i的特征向量，表示第i个电影中每个特征在电影中占的比重。$\theta^{(j)}$用户的parameter vector，表示用户对各个种类（特征）电影的喜爱程度。基于内容的推荐就是已知各个内容的特征，已知用户对部分电影的评分，求出$\theta^{(j)}$，从而预测用户对未看电影的评分。达到推荐的目的。

r(i:j)=1表示用户j对电影i进行了评分。
y(i:j) 用户j对电影i的评分是多少。

还有一种情况是已知$\theta^{(j)}$，预测电影的$x^{(i)}$。

协同过滤指的是根据已有数据同时预测未知的$\theta^{(j)}$，$x^{(i)}$，而不是对原始数据进行两种优化的反复迭代。

协同过滤算法的步骤

向量化

通过判断两者之间的距离，可以确定相关的电影。

对于所有值都缺失的用户，可以用均值来填充。