推荐系统 recommender system

使用场景

消费者C={user1,user2,user3,…,usernu}C=\{user_1,user_2,user_3,\dots,user_{n_u}\}C={user1​,user2​,user3​,…,usernu​​},一共有$n_u$个样本

商品G={prod1,prod2,…,prodnp}G=\{prod_1,prod_2,\dots,prod_{n_p}\}G={prod1​,prod2​,…,prodnp​​},一共有$n_p$个样本

消费者对商品的评分如下表：

	$use{r}_1$	$use{r}_2$	$use{r}_3$	$\dots$	$use{r}_{n_u}$
$pro{d}_1$	$r_{1,1}$	$r_{1,2}$	$r_{1,3}$	$\dots$	$r_{1,n_u}$
$pro{d}_2$	$r_{2,1}$	$r_{2,2}$	$r_{2,3}$	$\dots$	$r_{2,n_u}$
$\dots$
$pro{d}_{n_p}$	$r_{n_p,1}$	$r_{n_p,2}$	$r_{n_p,3}$	$\dots$	$r_{n_p,n_u}$

描述商品i在某特征的符合程度$x_i=[f_1,f_2,\dots ,f_m{]}^T(m\times 1)$
消费者j对某个特征的喜好程度${\theta }_j=[{\theta }_1,{\theta }_2,\dots ,{\theta }_m{]}^T(m\times 1)$

特征的维数m将会在后面说到。

对于某个商品i，消费者j对其评分$r_{i,j}$由$x_i,{\theta }_j$来决定，即
$$r_{i,j}={\theta }_j^T{x}_i$$

协同过滤算法

协同过滤算法的思想是对某种特征的喜好相同(比如都喜欢动作电影)的消费者，对在某种特征上比较契合的商品上评价也应趋于一致(对于新出的动作电影评分都可能较高)

• 设置$m$个特征，$f_1,f_2,\dots ,f_m$,比如电影的浪漫程度，暴力程度，喜剧程度等等，这些特征不用手工提取，只需要确定m的大小，特征的具体值将会由算法学习得出。
  

• 对于$n_u$个消费者，$n_p$个商品，我们先初始化两个数据集：
  
  X={x1,x2,…,xnp}X=\{x_1,x_2,\dots,x_{n_p}\}X={x1​,x2​,…,xnp​​}
  
  Θ={θ1,θ2,…,θnu}\Theta=\{\theta_1,\theta_2,\dots,\theta_{n_u}\}Θ={θ1​,θ2​,…,θnu​​}
  
  随机赋一些较小的值。
  

协同过滤算法的基本思路是：同时优化$X,\Theta$，优化目标如下：

$$J(x_1,\dots ,x_{n_p},{\theta }_1,\dots ,{\theta }_{n_u})=\frac{1}{2}\sum _{(i,j):r(i,j)=1}({\theta }_j^T{x}_i-y_{i,j}{)}^2+\frac{\lambda }{2}\sum _{i=1}^{n_p}\sum _{k=1}^m(x_i^k{)}^2+\sum _{j=1}^{n_u}\sum _{k=1}^m({\theta }_j^k{)}^2$$
注意，这时候就不需要加上恒为1的偏差（如之前的$x_0=1,{\theta }_0=1$)，这时$x\in {\mathbb{R}}^m,\theta \in {\mathbb{R}}^m$

• 使用梯度下降等方法进行优化，对$i=1,2,\dots ,n_p;j=1,2,\dots ,n_u;k=1,2,\dots ,m$：
  $$\begin{gathered} x_i^k=x_i^k-\alpha (\sum _{j:r(i,j)=1}({\theta }_j^T{x}_i-y_{i,j}{)}^2+{\lambda }_i^k) \\ {\theta }_j^k={\theta }_j^k-\alpha (\sum _{i:r(i,j)=1}({\theta }_j^T{x}_i-y_{i,j}{)}^2+{\lambda }_i^k) \end{gathered}$$