机器学习(十二):推荐系统的两种观点
来源:互联网 发布:fs2you下载器 mac 编辑:程序博客网 时间:2024/05/22 09:02
1. 从物理意义出发的观点
什么是推荐系统?以电影推荐为例,就是对于一部电影,我们预测某个用户对一部电影的评分。
我们用如上所示符号来表示。值得注意的是,很有可能用户没有给某电影打分,此时
这里需要理清:
对于一个电影,我们需要找到一些特征空间
对于一个用户,我们需要找到一些参数
然而问题是:我们既没有
使用如下符号:
我们假定对于电影的特征向量已经确定,也即所有的
现在反过头来看,其实我们对电影的特征向量一无所知。如果假定所有的
这一个过程与K-Means训练过程类似,给定一个初始的θ,然后开始训练:
这里又与K-Means有所不同,因为K-Means是combination-number最优化问题;而我们这里的最优化问题很简单,可以同时进行:
此时我们再来重新看给出的y数据:
还是有点小问题,如果某一个用户没有给任何电影打分:
根据我们的学习过程:代价函数的第一项为0。如果要最小化代价函数,那么此用户的
如果大多数人认为这个电影很好,那么这个电影可能真的非常好。——将对某一电影的所有评分求一个均值。
可以使用如下的均值归一化过程:
用
2. 从抽象计算出发的观点
对于电影推荐系统,我们获得的数据是什么呢?假设用
我们知道输入x代表的是用户的ID,并没有实际意义,我们称之为抽象特征。
我们要设计一个特征转换的函数φ,来将抽象特征转换——这个函数具体是什么我们不关心(这类似于自动编码器)。然后学习一个预测函数h,使得
自动编码器使用一个线性模型,假设预测函数也是一个线性模型,那么整个模型就是一个两层的网络。
假设将x进行binary vector 编码,那么这个网络就是
其中
根据代价函数,我们知道我们要寻找W,V使得
然后转向使用alternating optimization技术来解决最优化问题。
3. 小结
无论如何,电影的特征向量的长度还是需要我们自己来指定。
我们在训练过程中,可以考虑实际问题来定制解决方案,例如此问题中:越是最近时间段的数据,权重越大。
- 机器学习(十二):推荐系统的两种观点
- 机器学习,推荐系统
- 机器学习 推荐系统
- 机器学习-推荐系统
- 机器学习-推荐系统
- 推荐系统 机器学习的blog
- 机器学习—推荐系统的设计
- 机器学习(十二)
- 推荐两份学习 Kotlin 和机器学习的资料
- 机器学习9(2)推荐系统
- 两种不同的编程学习观点,深度还是广度?
- 机器学习->推荐系统->基于图的推荐算法(PersonalRank)
- 机器学习之推荐系统
- 机器学习12推荐系统
- 机器学习->推荐系统->LFM
- 机器学习算法~推荐系统
- 机器学习之- 推荐系统
- 一些机器学习、推荐系统的学习资源
- JS 中call 和apply 详解
- VS中加入lib库的几种方法
- spring对Dao的支持
- LNK2001无法解析的外部符号 SDDL_DEVOBJ_SYS_ALL_ADM_RWX_WORLD_RW_RES_R
- 如何在url地址栏中直接写数组参数进行传递
- 机器学习(十二):推荐系统的两种观点
- java 设置代理IP
- table widget 控件的应用
- Java Reflection(十二):动态类加载与重载
- 良岗山的传说
- Redis监控方案
- 关于结构图(一)
- Android ContentProvider应用
- Resnet改进的色情图片检测-nsfw