机器学习笔记8——推荐系统RecommenderSystems

前言&＃xff1a;这是机器学习的一个重要应用领域&＃xff0c;就像淘宝给你推荐商品一样

一、问题规划&＃xff08;电影评分&＃xff09;

1.1 符号表示

表示用户的数量&＃xff0c;下标表示具体的第几个用户

表示电影的数量&＃xff0c;下标表示具体的第几部电影

为1时&＃xff0c;表示用户给电影评价了

用户对电影评价得分&＃xff0c;为0-5表示

1.2 问题定义

给出&＃xff0c;然后预测用户对自己还没有评价的电影可能会给出的评分&＃xff08;就是图里面的问号部分&＃xff09;&＃xff0c;了解用户可能会喜欢的电影并推荐

如上图所示&＃xff0c;&＃61;4&＃xff0c;&＃61;5

二、基于内容的推荐方法

2.1 对电影类型分类

对这5部电影分类&＃xff0c;大致可以分为爱情片和动作片&＃xff0c;所以可以建立两个参数衡量电影为爱情片和动作片的程度。结果如下&＃xff1a;

&＃xff08;图里面不包括这一项&＃xff0c;因为它总是1&＃xff09;

然后建立第一部电影的特征向量为&＃xff1a;以此类推

2.2

然后对于每一个用户&＃xff0c;都需要学习参数&＃xff0c;那么用户对电影的评分就是

2.3

表示用户j评价了电影的数量&＃xff08;no.of movies rated by user j&＃xff09;

目标&＃xff1a;学习参数&＃xff08;这里加入了正则化项&＃xff09;

三、协同过滤

1、定义

相比于基于内容的学习方法&＃xff0c;协同过滤不需要用户选择好特征&＃xff0c;它会自动选择需要的特征

2、过程

已知每个用户的&＃xff0c;那么就可以根据用户对每部电影的评分推测电影的爱情程度&＃xff0c;动作程度&＃xff0c;即

3、推广

4、与基于内容的综合

最后不断迭代

5、已知更好的协同过滤算法

定义一个新的目标优化函数&＃xff08;代价函数&＃xff09;&＃xff0c;实际上就是把上面两种优化函数结合在一起&＃xff0c;不存在了&＃xff0c;同时解出

总结&＃xff1a;

6、均值归一化

用途&＃xff1a;如果新来一个用户&＃xff0c;他没有评分过&＃xff0c;如何推荐电影呢&＃xff1f;

然后减去均值&＃xff0c;使得均值为0

再用这个Y学习参数

预测新用户的评分实际上是平均分了

这是观看吴恩达网易云机器学习系列做的笔记