电影推荐系统设计思路（简单易懂的算法理解）

以下是我在澳洲留学期间设计的一个电影推荐系统的设计思路，因为我觉得比较有趣，所以放出来也算是一个怀念

本文理论主要参考 Networked Life: 20 Questions and Answers  以及 UNSW COMP9318课程

http://www.handbook.unsw.edu.au/undergraduate/courses/2013/COMP9318.html
http://download.youkuaiyun.com/detail/nibudong124/8277417

——————————————————————————————————————————————————————

Method of measuring the quality recommendation system

算法的分类属于collaborative filtering

<usingcollaborative filtering to weave an information tapestry> –David Goldbery1992

 

测试算法效果的方法：Root Mean Squared Error (RMSE)

Basic model

Matrix R Movies * Users 通常电影推荐系统问题使用这样的抽象方法

Sparse matrix 其特征是一个稀疏矩阵

 

组成算法1：

Baseline predictor through least squares

 

 is the average value of allratings. 是所有rating的平均值

the similarities amongusers and movies are not just a statistical fact

i.e. bi 是电影i的特征fact概念类似电影的受欢迎度

      bu 是用户u的特征fact概念类似用户的严格程度

类似的意思是无法用语言表述，是一个抽象的概念

 

我的目标是：

 

解决方法

如果只有bu bi这两个线性的fact的话，最常见解决方案是用linear least squares如课本Baseline predictor through least squares副标题描述的那样解决：

这里解决方案意思是：寻找的最小值，就是使函数收敛，至于函数为什么有最小值数学证明也在课本。

A is C´(N+M)

Solving linear least squares 下面的式子只是上面式子的变形，课本上有详细变形过程

but it is not linear now但是通过这个方法解决问题到这一步已经不是像前面两个fact那样线性的了