【机器学习笔记】推荐系统

推荐系统

一、什么是推荐系统

学习用户的轨迹，然后推荐用户尚未用过的，但是可能喜欢的东西。

二、基于内容的推荐算法

对于一个电影网站，有若干用户对几部电影的评分，现在想要预测用户对没看过电影的评分。
那么基于内容的推荐算法，意思就是我们现在已经知道电影的特征向量，然后用来拟合用户的喜爱曲线，来预测用户评分。

参数：
$r(i,j)=1$，表示用户$i$评价过电影$j$
$y^{(i,j)}$，表示用户$i$给电影$j$的评分
${\Theta }^{(j)}$，表示用户 j 的向量（其中向量的分量就表示了用户对电影特征的喜欢程度）
$x^{(i)}$，表示电影 i 的特征。
那么对于用户 j ，电影 i ，预测该用户对电影的评分为$({\Theta }^{(j)}{)}^T(x^{(i)})$，也就是内积。

例如电影有两个特征：动作成分、爱情成分，则视n=2。因此$x^{(i)}$可以是[1, 0.99, 0]^T，第一个是偏置项。然后对于用户 j 的评分习惯来学习出参数${\Theta }^{(j)}$=[0, 5, 0]^T，这说明用户对动作特征喜爱程度高达5，而对爱情特征喜爱程度为0。所以两个向量内积得到的分数5*0.99=4.95，就表示对电影的预测评分（因为该电影动作成分很高，因此预测用户很喜欢）。

$m^{(j)}$表示用户 j 评分过的电影数量。
因此为了学习到${\Theta }^{(j)}$，求一个参数使得这个loss最小（类似于线性回归&#