吴恩达机器学习系列24：协同过滤

在上一次中，咱们是先知道电影的特征，而后经过算法计算出用户的特征。下面咱们来考虑一下能不能知道用户的特征，让算法学习出电影的特征呢？

咱们能够看到，这个算法与以前的算法是同样的，只不过传入的特征不一样而已。咱们能够先随机地求出一些用户特征 θ，用这些特征计算出电影的特征 x，经过电影的特征又能更好地计算出用户的特征，不断迭代... 最终会收敛到一个最优的位置，这时用户的特征和电影的特征被计算出来，这种方法就叫协同过滤（Collaborative filtering）。

为了简化一下这种方法，不让它进行屡次来回重复，咱们将它合并成一个代价函数，这个代价函数同时传入电影特征 x 和用户特征 θ：

它会同时最小化电影特征 x 和用户特征 θ，虽然这个代价函数看起来很长很复杂，可是仔细分析一下你就会发现，这个代价函数就是把以前的两个代价函数合并起来了而已。

如何寻找相关联的电影呢？好比说，你已经知道该用户对动做电影感兴趣，你向他推荐了一部动做电影，用户看完以后，若是你还想向他推荐动做电影该如何进行处理呢？一种方法就是计算两个电影特征的绝对值，若是绝对值比较小，就表明这两个电影高度相关，你就能够把这部电影也推荐给该用户。

最后总结一下协同过滤算法：

1.随机初始化一些用户特征 θ 和电影特征 x；

2.运用梯度降低最小化代价函数，获得最佳的用户特征 θ 及电影特征 x；

3.传入一个用户特征，该算法就能够根据以前的学习成果向该用户推荐可能感兴趣的电影。

ps. 本篇文章是根据吴恩达机器学习课程整理的学习笔记。若是想要一块儿学习机器学习，能够关注微信公众号「SuperFeng」，期待与你的相遇。