吴恩达ML课程笔记（Chapter 16）

16-1 问题规划

1.几个说明：
n.u=the number of users
n.m = the number of movies
r(i,j)=1 if user j has rated movie i
y^(i,j)=rating given by user j to movie i

16-2 基于内容的推荐算法

1.题目如下：

我们的任务就是，对于用户j，研究一个三维列向量θ^(j)，并预测用户j给电影i打的分数是（θ^(j)）^Tx⁽ⁱ⁾

2.如何获得上述θ^(j)?这需要引入一个新的变量m^(j)：用户j评价过的电影总数，计算公式如下：

这里要注意，正则化项的分母也是2m

3.第2点是对单个用户进行求值，下面的第二条公式是用来对用户整体求θ的：

4.梯度下降更新θ值

16-3 协同过滤

1.给定θ，求x：

正则项需要的是平方项。这样相当于是求电影的特征向量（注意，这里所说的特征向量和高代中的特征向量不是一回事，这里的特征向量仅仅是该电影系列特征值组成的向量而已）

2.实际应用中，我们可以用16-2的方法算出θ，然后再根据求出来的θ用本小节的方法求出新的x⁽ⁱ⁾，接着用这个x去更新θ，如此循环往复，即可得到一组较为理想的θ和x

16-4 协同过滤算法

1.把16-2和16-3结合起来的算法如下：

这样，就不需要在两个参数和两条式子之间来回折腾了，应用上面这条式子，可以让θ和x同时最小化

2.协同过滤算法：
1）把x⁽¹⁾,x⁽²⁾,…,x^(n_m),θ⁽¹⁾,θ⁽²⁾,…,θ^(n_u)初始化为一个小的随机数

2）用梯度下降法则最小化代价函数：

3）给定一个新用户以及他的θ参数向量，然后预测其对电影i的评分。这里的θ向量是和第2点所求出来的θ体系相对应的

16-5 矢量化：低秩矩阵分解

1.怎么判断电影i和电影j是不是相关的？
看||x⁽ⁱ⁾-x^(j)||是不是足够小，即两个特征向量是不是足够小就可以了。从而就能通过用户给电影A打了高分，我们就可以找到另外一些特征向量和x^(A)相距较近的电影推荐给用户

2.如何得到所有用户对所有电影的评分？矩阵相乘即可：
（x⁽¹⁾，x⁽²⁾，…，x^(m)）^T(θ⁽¹⁾，θ⁽²⁾，…，x^(n_u))

16-6 实施细节：均值规范化

1.给定这样一个场景，我们有4位顾客对5部电影的评分数据，像这样：

现在有第五位顾客，但是这位顾客没有任何的评分数据， 这样，根据下面这条式子算出来的θ将是0向量，这样，用θ^Tx算出来的分数也只能是全0：

2.对于第1点所描述的情况，我们就可以先求出每一部电影的均分，然后用得分矩阵减去均分，得到新的得分矩阵，再用这个新得分矩阵去训练得到我们的θ，然后再用θ^Tx+μ得到该新用户对某部电影的可能得分。这样，就不至于出现全评为0分的情况了.