机器学习（10）--推荐系统

吴恩达ML课程课后总结，以供复习、总结、温故知新，也欢迎诸位评论讨论分享，一起探讨一起进步：

---

上一篇:机器学习（9）--异常检测（多元高斯分布等）https://blog.csdn.net/qq_36187544/article/details/88400810

下一篇：机器学习（11）--大数据的机器学习（随机梯度下降、mini-batch梯度、在线学习与并行计算）https://blog.csdn.net/qq_36187544/article/details/88603838

---

写在前面的总结:推荐系统不一定要用这种方法实现，看完这里发现吴老师超喜欢用代价函数的模型来构建机器学习，是一种方式吧，然后梯度下降等算法去求解，但实际上，推荐系统在不同的地方有不同的方法，根据数据来。这里的推荐系统是基于内容推荐，其实还有基于用户推荐，就是用户A与用户B在浏览、购买等方面操作相近则用户A与B相似，推荐A的东西给B就比较合适。所以也不去实现了，这里作为一个扩展内容学习即可，毕竟推荐系统、NLP、CV等都可以作为一个单独的门类、工种，这范围太大了。

估计这章内容后面来的概率也比较低吧，学到一点思想，但毕竟现在推荐系统作为企业超看重的部分，发展较好，这些内容是不够的，太入门了

推荐系统能领悟特征学习的思想，不需要手动建立特征

---

未防止后面看不懂，这里做个说明：nu表示 用户数量，nm表示电影数量，r(i,j)=1表示用户j看过电影i，y(i,j)表示用户j给电影i的评分仅当r=1时

---

接下来说的θ和x都是向量：

基于内容的推荐算法:假设电影种类分为两种，用特征x1,x2表示电影偏向哪一种类型，添加x0作为截距特征。那么每一个电影就有一个特征向量x(i)。对每一个用户j学习一个参数θ(通常是n+1维，n为特征数量)，θTxi就等于电影i的预测评分。

算法给出x来学习θ，形同于线性回归，梯度下降。这种算法较简单，但是已知的是各个电影的特征量，爱情部分占比，动作占比等。

同理，若X未知，但是θ已知，可以用θ来学习x

协同过滤，自行学习所要用的特征。现假设已知用户的特征偏好θ。现在是给出θ来学习x，协同过滤就是θ->x->θ->x...的过程
为了简化随机θ，然后求x求θ再求x的过程，提出协同过滤算法:x学习θ时是用户对所有电影的评价，θ学习x时是一部电影所有用户的评价，协同过滤两者统一起来，是所有电影用户有评价时的求和，最小化代价函数时即求令x和θ同时进行最小化

算法:初始化所有x和θ值，然后梯度下降使代价函数最小化

简单点说，协同过滤就是同时考虑x和θ，共同搭建函数

---

矢量化-低秩矩阵分解:协同过滤的一种方法，将预测得分分别用X和θ矩阵表示。

如果两个物品(如电影)的X特征向量的距离近，则表示更相关可以作为推荐项。

均值规范化:问题由来，如果一个用户对物品(如电影)未评分，最小化代价函数J时会使θ向量全为0则预测时所有得分都为0，这样不好。均值规范化作为协同过滤的预处理，减去均值，最后预测评分时加上均值，这样一个从未评分的用户的预测就是平均值了