吴恩达《Machine Learning》-Recommender Systems推荐系统（十六）

我们已经在这课上看到了特征对于机器学习很重要，选择的特征将对机器学习算法的性能产生很大的影响。所以在机器学习中对于一些问题，一些算法可以自动地尝试一套好的特征。

还有很多其他的，但是刻在推荐系统中的，将能够对学习这些功能的想法有一点了解，我认为，在机器学习中，至少可以看到一个这样的例子。

其中nμ表示用户数量
nm表示电影数量
r（i，j）=1 表示假如用户j对于第i个电影进行过评分
y^（i，j）当r（i，j）=1时，即用户j对于第i个电影进行过评分，其评分的分数
推荐系统的作用为：给定r（i，j）和y^（i，j），即给定已有的电影的打分。对于没有打分的电影，进行分数预测。

练习题：

选择（C）
第二行第一列电影未进行打分，故答案如C

基于内容的推荐

我们以预测第3部电影第1个用户可能评的分数为例子。
首先我们用 x1表示爱情浪漫电影类型，x2表示动作片类型。上图左表右侧则为每部电影对于这两个分类的相关程度。我们默认 x0=1 。则第一部电影（Love at last）与两个类型（浪漫类和动作类）的相关程度可以这样表示：

。然后用 θ^（j） 表示第 j 个用户对于该种类电影的评分。这里我们假设已经知道（其中θ第一个参数默认为0，θ第二个参数表示对第一类电影（浪漫类）的综合评分，θ第三个参数表示对第二类电影（动作类）的综合评分）

，那么我们用

即可计算出测第3部电影（Cute puppies of love）对于第1个用户（Alice）可能评的分数。这里计算出是4.95。

练习题：

选择（D）
其中θ第一个参数默认为0，θ第二个参数表示对（浪漫类）的综合评分，其中Carol对浪漫类的评分为0。θ第三个参数表示对第二类电影（动作类）的综合评分，其中Carol对动作类的评分为5