推荐系统(Recommender Systems)

本文详细介绍了基于内容的推荐系统,通过用户对电影特征的喜好程度参数预测评分,并探讨了协同过滤算法,包括问题引入、最优化目标和协同过滤的实施。此外,还涉及了低阶矩阵因式分解和均值标准化在推荐系统中的应用。

本博客是针对Andrew Ng在Coursera上的machine learning课程的学习笔记。


基于内容的推荐(Content-based recommendation)

问题表述

假设我们有如下评分矩阵(纵向为同一用户的评分对不同电影的评分,横向为不同用户对同一部电影的评分):

这里写图片描述

nu 表示用户数目, nm 表示电影数目, θ(j) 表示用户j对电影特征的喜好程度参数(一个向量), x(i) 表示电影i的特征向量。当我们要预测用户j对电影i的评分时,就可以使用以下公式:

Rating=(θ
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值