吴恩达机器学习—推荐系统（13）

1. 基于内容的推荐系统

（1）推荐系统的应用很广泛：

1）电子商务：根据客户购买和浏览商品推荐相关商品
2）电影和视频推荐：根据视频浏览记录，喜好推荐
3）音乐电台的推荐
4）网页及新闻：推荐根据网页浏览记录，推荐相关新闻和网页
5）社交网络：推荐好友，信息流的会话推荐
6）广告推荐等

（2）电影推荐举例

电影资讯网站，用户对于电影的打分（1 - 5 分），代表用户没有评价过该电影，数据，对于每部电影都给出了两个评价指数，构成了电影的二维特征向量 x ：x1=电影的浪漫指数,x2=电影的动作指数，详情如下：

movie	Ac	Bo	Ca	Da	romance(x1)	action(x2)
Love	5	5	0	0	0.9	0
Romance	5	?	?	0	1.0	0.01
Cute love	?	4	0	?	0.99	0
Nonstop car	0	0	5	4	0.1	1.0
Swords vs karate	0	0	5	?	0	0.9

假设用户 i 对于每个指数的偏好程度由向量 θ⁽ⁱ⁾所衡量，则估计该用户对电影 j 的打分为： $y^{(i,j)}=({\theta }^{(j)}{)}^T{x}^{(i)}$
另外，引入 r^(i,j) 表示第 i 个用户是否对第 j 部电影进行了打分，打分了为1，未打分为0。

（3）优化目标函数

对用户 j 打分状况作出最精确的预测，优化函数为：$$min({\theta }^{(j)})=\frac{1}{2}\sum _{i:r(i,j)=1}(({\theta }^{(j)}{)}^T{x}^{(i)}-y^{(i,j)}{)}^2+\frac{\lambda }{2}\sum _{k=1}^n({\theta }_k^{(j)}{)}^2$$那么对于所用用户 1,2,…,n_u ，需要：$$min({\theta }^{(1)}，{\theta }^{(2)}，\dots \dots ，{\theta }^{(n_u)})=\frac{1}{2}\sum _{j=1}^{n_u}\sum _{i:r(i,j)=1}(({\theta }^{(j)}{)}^T{x}^{(i)}-y^{(i,j)}{)}^2+\frac{\lambda }{2}\sum _{j=1}^{n_u}\sum _{k=1}^n({\theta }_k^{(j)}{)}^2$$则得到代价函数 $J({\theta }^{(1)},{\theta }^{(2)},...,{\theta }^{(n_u)})$ 为：$$J=\frac{1}{2}\sum _{j=1}^{n_u}\sum _{i:r(i,j)=1}(({\theta }^{(j)}{)}^T{x}^{(i)}-y^{(i,j)}{)}^2+\frac{\lambda }{2}\sum _{j=1}^{n_u}\sum _{k=1}^n({\theta }_k^{(j)}{)}^2$$

（4）梯度下降

$${\theta }_0^j={\theta }_0^j-\alpha \sum _{i:r(i,j)=1}(({\theta }^{(j)}{)}^T{x}^{(i)}-y^{(i,j)})x_0^{(i)}$$$${\theta }_k^j={\theta }_k^j-\alpha (\sum _{i:r(i,j)=1}(({\theta }^{(j)}{)}^T{x}^{(i)}-y^{(i,j)})x_k^{(i)}+\lambda {\theta }_k^j),$$