推荐系统

一、算法表示

1.1 系统描述

基于电影推荐，假设每部电影都有两个特征，如x1代表电影的浪漫成都，x2代表电影的动作程度，每部电影都有一个特征向量。

1.2 参数表示

构建推荐系统算法。
采用线性回归模型，针对每一个用户训练一个线性回归模型。
θ（ j ）：用户 j 的参数向量
x（ i ）：电影 i 的特征向量
(θ^j)^Txⁱ：用户 j 和电影i的预测评分

1.3 代价函数

一个用户的代价函数：

其中 i：r（i，j）表示只计算那些用户 j 评过分的电影。

所有用户的代价函数：

用梯度下降法求解最优解，计算代价函数的偏导数后得到梯度下降的更新公式为：

二、协同过滤

2.1 代价函数

如果拥有用户的参数，可以学习得出电影的特征：

如果既没有用户的参数，也没有电影的特征，需要使用协同过滤算法同时学习这两者。

优化目标可修改为同时针对x和θ进行。

对代价函数求偏导数的结果如下：

2.2 协同过滤算法使用步骤

1.初始x（1），x（2），…，x（nm），θ（1），θ（2），…，θ（nu）为一些随机小值

2.使用梯度下降算法最小化代价函数
3.训练完算法后，预测(θ^j)^Txⁱ为用户j给电影i的评分

如果一位用户正在观看电影x（i），可以寻找另一部电影x（j），依据两部电影的特征向量之间的距离||x（i）-x（j）||的大小

三、均值归一化

用户评分数据：

如果新增一个用户，且该用户没有为任何电影评分，该依据什么为该用户推荐电影呢？
首先对结果Y矩阵进行均值归一化处理，将每一个用户对某一部电影的评分减去所有用户对该电影评分的平均值：

利用新的Y矩阵训练算法。
如果要用新训练出的算法预测评分，则需要将平均值重新加回去，预测(θ^j)^Txⁱ+uⁱ，新模型认为他给每部电影的评分都是该电影的平均分。