推荐系统
基于内容的推荐算法
使用对电影评价的例子
其中表示对Alice打?处的内容进行预测,则需要首先求出图中的x(3)x^{(3)}x(3),然后将其与θ(1)\theta^{(1)}θ(1)相乘,即(θ(1))Tx(3)(\theta^{(1)})^Tx^{(3)}(θ(1))Tx(3)所得结果
然后使用梯度下降法对其中的参数θ(j)\theta^{(j)}θ(j)进行迭代计算
协同过滤(Collaborative Filtering)
给定θ(j)\theta^{(j)}θ(j),对x(i)x^{(i)}x(i)进行计算
当你执行算法时,要观察大量的用户,从而协同地得到更加的每个人的特征
协同的另一层意思是每位用户都在帮助算法,通过迭代,使最后的值更加精确
协同过滤算法
其实就是将两个最小化的算式进行叠加,从而得到一个总的最小化算式
均值归一化
面向情况是针对那些θ\thetaθ矩阵计算结果为0的用户,那么这个矩阵就没有意义。而我们要做的是先将每个元素减去其每行的平均值,再最后计算完毕之后,将平均值加回来,那么最后所得的θ\thetaθ矩阵就不会是全零而会是平均值向量,使结果更有意义。