吴恩达机器学习（十四）推荐系统（基于梯度下降的协同过滤算法）

目录

0. 前言

1. 基于内容的推荐算法（Content-based recommendations）

2. 计算电影特征

3. 基于梯度下降的协同过滤算法（Collaborative filtering）

4. 低秩矩阵分解（Low rank matrix factorization）

5. 应用到推荐

---

学习完吴恩达老师机器学习课程的推荐系统，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

0. 前言

在推荐系统中，主要有两种方法，基于内容的推荐算法和协同过滤算法，此文章采用电影推荐作为例子，初始作如下定义：

•  --- 用户数量
•  --- 电影数量
•  --- 用户  对电影  进行了评价
•  --- 用户  对电影  的评分
•  --- 用户  评价了的电影数量
•  --- 拟合用户  评价电影的曲线参数
• --- 电影的特征数量

推荐系统的目标，就是通过用户已经评价的电影和电影的特征，预测用户未评价的电影的评分，由此进行推荐。

1. 基于内容的推荐算法（Content-based recommendations）

给出如下例子（图源：吴恩达机器学习），基于内容的推荐算法已知每部电影的特征值：

对于用户  ，每一部的电影的特征为