推荐系统—影视评分预测

本文根据Andrew Ng的Machine Learning的课写就。

=======================================1、预测电影评分==========================================

全文以“预测电影评分”例子展开

r(i,j)=0则代表user_j没有对movie_i 没有评分，

推荐系统要作的就是经过预测user_j对这些movie {i|r(i,j)=0}的评分来给user_j 推荐其可能会喜欢的电影<预测评分较高的movie>

=======================================2、基于内容的推荐=======================================

对每一个movie_i引入特征x(i)=(x1, x2)，这种特征可能代表user对movie类型的偏好：浪漫or动做等

对于每一个user引入一个参数theta，而后对评分矩阵的每列(对应一个user)作线性回归，数据是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像机器学习同样，x(i)添加个1变量x(i)=(1, x1, x2)

那么对于未评分的movie_t，咱们可使用线性回归训练的参数theta与对应特征x(t)作内积来获得其预测评分

对每一个用户都训练一个参数theta_j，优化模型以下：

优化算法：注意正则项是不约束x(i)=(1, x1, x2)中1对应的参数theta的第一项theta0，因此k=0与k=1,2分别对待

=======================================3、协同过滤=======================================

如今换个角度：若是知道theta for all user j，如何来预测x(i) = (x1, x2) all i

仍然可使用线性回归，为训练每一个x(i)，须要评分矩阵的第i行数据{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5说明user_j喜欢romance类movie， theta2=5说明user_j喜欢action类movie，只能有一个等于5哦，

我以为也能够是：theta_j = (0, 4, 1) ；喜欢romance 4 action 1.

对应的优化：

协同过滤：交替优化theta与x

=========================================4、协同过滤算法=======================================

优化：

优化：注意去掉了theta和x的添加项

=========================================5、实现细节补充=======================================

实现细节：

若是有user没有对任何电影评分或者全部评分的电影都是0分，那么所学习到的参数是零向量，

则预测都是0值，这是不合理的。经过 将评分矩阵减去其行均值再进行线性回归来“避免”这种状况

=========================================6、一点思考==========================================

 

• 协同过滤那块，同时优化theta、x，这样获得的theta、x还有特定的意义<好比：x是否还表征对影视类型的喜好与否>没有？
• 回归中，在x数据上不添加1-feature是否是由于后来引入的平均值化；若是不是，那会对结果有什么影响？
• 用x-feature来表征一个movie，x-feature的各份量的可解释性；应该会有一部分user应为演员的缘故有一些"偏心"。
• 这里，讲的"基于内容的推荐"与"协同过滤"跟之前对这两个词的认识/所指内容不一样，查清楚、搞明白。

这周还会再更一篇关于此节课的算法实现，会对上述部分问题作出回答。