【吴恩达机器学习笔记】第十六章 推荐系统

搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’ 获取更多人工智能、机器学习干货

csdn：https://blog.csdn.net/qq_36645271

github：https://github.com/aimi-cn/AILearners

---

第十六章 推荐系统

16.1 问题规划

16.1.1 为什么要将推荐系统

• **推荐系统(recommender system)**是机器学习中的一个重要的应用。现在，在硅谷有很多团体试图建立很好的推荐系统。因此，如果你考虑网站像亚马逊，或网飞公司或易趣，或iTunes Genius，有很多的网站或系统试图推荐新产品给用户。如，亚马逊推荐新书给你，网飞公司试图推荐新电影给你，等等。这些推荐系统，根据浏览你过去买过什么书，或过去评价过什么电影来判断。这些系统会带来很大一部分收入，比如为亚马逊和像网飞这样的公司。因此，对推荐系统性能的改善，将对这些企业的有实质性和直接的影响。同时，推荐系统在学术界它占了很小的份额，但在许多有能力构建这些系统的科技企业，他们似乎在很多企业中占据很高的优先级。
• 我们想通过推荐系统讨论机器学习中的一些大思想，并和大家分享。在之前的课程中，我们也看到了，对机器学习来说，特征是很重要的，你所选择的特征，将对你学习算法的性能有很大的影响。因此，在机器学习中有一种大思想，它针对一些问题，可能并不是所有的问题，而是一些问题，有算法可以为你自动学习一套好的特征。因此，不要试图手动设计。

16.1.2 例子：预测电影评分

假设我们有一个视频网站，并让用户用0到5星来评价不同的电影。现在我们有四名用户，五部电影，他们分别对电影进行打分。

下面我们下来介绍一些符号及其含义：

• $n_u$：用户数量。
• $n_m$：电影数量。
• $r(i,j)$：用户$j$是否给电影$i$评分，$r(i,j)=1$时表示评价。
• $y(i,j)$：用户$j$给电影$i$的评分，它是从0到5的数字（这一项只有在$r(i,j)=1$时才被定义）。

因此，推荐系统的问题是，给出了$r(i,j)$和$y(i,j)$的数据，然后去查找那些没有被评级的电影，并试图预测这些电影的评级。那我们的工作就是相处一个学习算法，让它能自动为我们填补这些缺失值的算法，从而为用户推荐他们感兴趣的内容。

16.2 基于内容的推荐算法

16.2.1 基于内容的推荐算法

为了给没有被打分的电影预测分数，我们假设每一部电影都有一个对应的特征集。特别的，假设有特征$x_1$用来衡量一部电影为爱情片的程度，$x_2$来衡量一部电影为动作片的程度。

如果我们有这样的特征，那么每部电影就可以用一个特征向量来表示。例如第一部电影，我们再给它加一个额外的截距特征$x_0=1$，之后我们就得到了$x^{(1)}=[1,0.9,0]$。

现在，为了预测评分，我们可以把每个用户的评价预测值看做一个线性回归问题。对于每一个用户$j$，我们要学习参数向量${\theta }^{(j)}\in R^{n+1}$，然后预测用户$j$评价电影的$i$值，也就是参数向量$\theta$与特征向量$x^{(i)}$的内积。

假设现在我们要预测Alice对第三部电影的评价，其学习参数为向量${\theta }^{(1)}$，那么这部电影就会有某个参数向量$x^{(3)}=[1,0.99,0]$。假设我们现在已经得到了其学习参数向量${\theta }^{(1)}=[0,5,0]$，那我们的预测值将会是 ( θ ( 1 ) ) T x ( 3 ) = 4.95 (\theta^{(1)})^Tx^{(3)}=4.95 (θ