【含课程pdf & 测验答案】吴恩达-机器学习公开课 学习笔记 Week9-2 Recommender Systems

9-2 Recommender Systems 课程内容

此文为Week9 中Recommender Systems的部分。

9-2-1 Predicting Movie Ratings

Problem Formulation

推荐系统，第一是机器学习的一个重要应用；第二是通过算法来学习到使用什么特征量的一个例子。

推荐系统问题就是给定这些数据， r(i, j) 和 y(i, j) 数值，然后浏览全部数据，关注所有没有电影评分的地方并试图预测这些带问号的地方应该是什么数值。

我们开发一个推荐系统，主要工作就是想出一种学习算法，能够帮我们自动地填上这些缺失的数值。这样我们就能，比方说，看一下用户还没看过哪些电影，然后向用户推荐新电影。你试图预测还有什么电影可能会让一位用户感兴趣。

Content Based Recommendations

假设每部电影有两种特征，x1表示这部电影属于爱情电影的程度，x2表示这部电影是动作电影的程度。

我们用r(i,j)=1 来表示用户j 对电影i进行了评分 ，y(i,j)则表示用户j对电影i的评分值。θ(j) 表示用户j对应的参数向量，x(i)是某部电影i的特征向量。m(j) 来表示用户j评价过的电影数。
这是一个基本的线性回归问题。因此我们要做的就是选择一个参数向量θ(j) 使得预测的结果尽可能接近我们在训练集中的观测值。



应用一种事实上是线性回归的一个变体来预测不同用户对不同电影的评分值。这种具