Machine Learning第九讲[推荐系统] --（一）基于内容的推荐系统

内容来自Andrew老师课程Machine Learning的第九章内容的Predicting Movie Ratings部分。

先介绍本篇博文需要用到的字母及其含义：

• ： no. of users
  
• ： no. of movies
  
• r(i, j)=1： if user j has rated movie i 
• ： rating given by user j to movie i ( defined only if r(i, j)=1 )
  
• ： parameter vector for user j
  
• ： feature vector for movie i
  
• ： no. of movies rated by user j
  

来看下面的例子：

Movie	Alice(1)	Bob(2)	Carol(3)	Dave(4)	x1 (romance)	x2 (action)
：Love at last	5	5	0	0	0.9	0
：Romance forever	5	?	?	0	1.0	0.01
：Cute pupies of love	?	4	0	?	0.99	0
：Nonstop car chases	0	0	5	4	0.1	1.0
：Swaord vs. karate	0	0	5	?	0	0.9

对于每一个用户j，假设我们已经通过学习找到参数，则用户j对电影i的评分预测值为：。

对于上面的例子：

假设已知：

则Alice（j=1）对Cute pupies of love（i=3）的评分将被预测为：

下面我们来看怎么来求θ值：

这个公式其实是线性回归的变种，它和线性回归有很多相似的样子，其思路也很相似，代价函数都是预测值和实际值的差值平方和。