推荐系统（Recommender system）

问题规划

根据用户看过的电影，得出用户喜好，给用户推荐电影。

基于内容的推荐算法

根据历史评价，对每个用户建立一个线性回归模型，去预测未知评价。

r(i，j)：用户 j 是否给电影 i 评过分。

y(i，j)：用户 j 给电影 i 评分的多少。

θ^(j)：用户 j 的参数。

x⁽ⁱ⁾：电影 i 的特征。

m^(j)：用户 j 评过分的电影总数。

优化目标函数：

梯度下降：

协同过滤

很难去得每部电影的特征。

假设我们去采访每一位用户，而且每一位用户都告诉我们他们喜爱各类别电影的程度，这样我们就得到每位用户的参数。

代价函数变成最小化 x 。

这个有点像鸡和蛋的问题。

先得到 θ，再根据 θ 求 x，再根据 x 优化 θ，如此迭代，最终 θ 和 x 都会收敛到合理的范围。

协同过滤算法

代价函数合并，参数 θ 和参数 x 同时进行更新。

现在的算法能灵活的去学习，所以不需要 x₀ = 1 。

协同过滤算法步骤：

①将 θ 和 x 随机初始化为较小的值。

②运用梯度下降或高级优化算法最小化代价函数。

③预测

矢量化：低秩矩阵分解

向量化实现：

低秩矩阵：

利用已经学到的属性，来找到相关电影：

对每部电影已经学习到它的属性（特征），怎样根据电影 i 找到相关电影 j ？

根据两部电影属性之间的距离，若距离越小，则两部电影相关性强。

实施细节：均值规范化

假如一个用户历史无电影评分的记录，就让他对某电影的预测评分为该电影评分的均值。