机器学习之推荐系统

#Recommender Systems（推荐系统）

机器学习的一个很重要的应用。

 

#Problem formulation（问题规划）

所以如果想开发一个推荐系统，就要想出一个能自动填补这些缺失值的学习算法，这样就可以看看该用户和那些没看过的电影并推荐新电影给该用户。

 

#Content-based recommendations（基于内容的推荐算法）

• 把每个用户的评价预测值看作是一个线性回归问题。

更正式的：

 

#Collaborative filtering（协同过滤）

有一个很有意思的特性叫feature learning（特征学习），即这个算法可以自行学习所要使用的特征。

• 假设我们听取用户的意见，每个用户j都告诉我们他们各自的θ^(j)是什么，即他们对不同题材电影的喜欢程度。

把这一学习问题标准化到任意特征x^(i)：

总结：

• 随机猜一些θ值 》》学习出不同电影的特征 》》得到一个更好的对参数θ值的估计 》》得到更好的特征 》》··· 以此类推

 

#Collaborative filtering algorithm（协同过滤算法）

将两个优化目标函数结合为一个新的优化目标函数J，能同时算出θ和x，而不需要反复计算：

• 不需要X0

1、把x和θ初始化为小的随机值；

2、用梯度下降或其他高级优化算法把代价函数关于x和θ最小化；

3、给你一个用户，如果ta有一些参数θ以及给你一部带有已知特征x的电影，就可以预测该用户给这部电影的评分。

 

#Vectorization low rank matrix factorization（矢量化：低秩矩阵分解）

• y^(i,j)是第j个用户给第i部电影的评分

• low rank matrix factorization（低秩矩阵分解）：给出矩阵X和矩阵θ的定义，得到一个向量化方法来计算预测矩阵。

用已经学习到的特征来找相关的电影：

 

#Implementational detail：Mean normalization（实施细节：均值规范化）

作为协同过滤算法的预处理步骤，根据不同的数据集有时候会让算法表现得好一些。

实现mean normalization（均值归一化）：

• 计算每个电影所得评分的均值存到向量μ中；
• 把电影评分矩阵的每一行都减去那个电影的平均评分；
• 把每个电影评分都归一化，使得均分为零；
• 用这些均值归一化后的电影评分来学习，预测值要加回均值。

 

---

PS.内容为学习吴恩达老师机器学习的笔记【https://study.163.com/course/introduction/1004570029.htm】