按部就班的吴恩达机器学习网课用于讨论（14）

推荐系统-问题公式化

如下是一个电影评分系统。某个用户没有看过某电影时，通过得到预测评分来判断是否推荐该电影给该用户。

其中？表示没有看过，对应的r=0。其它表示在图中给出。从常识上看，电影列表中前三个为爱情片，后两个为动作片，这为评分预测提供了线索。可以进行针对每个用户将电影分类，求得该用户对某类电影的平均评分，作为评价，如第一列中？为5，第二列为4.5。

基于内容的推荐系统

假设使用x手动设置了每个电影中的，爱情片成分和动作片成分，并添加偏置项1，则x为三行一列的向量。

假定已经针对每个用户，学习到了一个theta，theta的大小是和x相同的。使用thetaT*x，其中x和电影有关，theta和用户有关，得到预测值。

theta的习得方式为，通过线性回归，最小化目标函数得到。最小化目标为预测值和真实值的方差和最小，并添加正则化项。

下图中第一行为只考虑单个用户的情况，习得一个theta。但是拥有多个用户，则将多个用户组成的theta进行均衡，使得整个系统的目标函数最小化，求得所有的theta。

然后使用梯度下降法，初始化theta后，通过迭代，得到最后的theta值。其中每个用户当k=0，theta0为常数吧，所有就有第一行。第二行中括号内为正常的求导梯度。

协同过滤

之前的系统中是已知了每个电影的向量x，通过构建目标函数，使用梯度下降的方法求得theta。但是在实际的系统中，x是未知的。

假设已经知道了theta的值，针对不同用户与同一电影的问题，theta做常量，x作为变量，使用方法求得x。

如第一行，当x为[1,1,0]列向量，通过thetaT*x，求得的结果和第一行的实际值相同，则该x为应该求得的x。

具体的方法和求theta相同，只是如下图中，第一行是根据不同用户同一电影，加上正则项，得x。

第二行求和过程中是所有电影的误差求和。

在计算的过程中，不使用协同的，则随机化theta和x，先通过x求得theta，再使用theta得到x，如此循环计算。

协同过滤算法

协同过滤算法将theta和x的目标函数写在了一起，而对不同的变量（用户，电影）求导，一次计算得到两个梯度，然后迭代求出theta和x。

下图中第一行为求theta的目标函数，第二行为求x的目标函数，第三行将由前两行求和得到，其中的i和j需要遍历。

在计算过程中，第二行为使用梯度下降法，针对目标函数使用不同的量作为变量，求得梯度，进行迭代。

向量化：低秩矩阵分解

地址矩阵分解实质上是协同过滤算法，在表示形式上，使用梯度下降求得theta和x以后，使用Y矩阵表示最终的预测结果，使用theta和x的乘积，表示出Y的每一个值。

通过以上求得的theta，是和用户有关的，x是和电影有关的。当两个电影的x相近时，用户喜欢其中一个电影，则可以将另一个电影进行推荐。

计算的方法使用欧式距离即可。如下是通过用户喜欢电影i 以后，通过xi，遍历其他x，得到距离最近的5个电影xj。

实现细节-均值归一化

当某个用户所有电影都没有看过，则通过目标函数中，第一项求和过程theta5不参与，而theta5只是参与了第三项的正则化。根据最小化目标函数，在theta5负责的部分中，theta5最终为0。

当theta5为0，则通过thetaT*x求得的所有电影预测评分都为0，这是不合理的。

在计算过程中，首先将目标预测矩阵Y中，所有已知值求得平均数，将Y归一化处理如下图。通过该矩阵的已知值作为目标y，求得theta和x。将求得的结果再加上均值mu，作为最后的输出。

虽然在计算过程中，第五个用户因为仍然没有看过任何电影，但是通过添加了mu以后，得到了平均分数，通过该平均分数作为依据，给该用户推荐电影。