基于内容的推荐 java实现

• 这是本人在cousera上学习机器学习的笔记，不能保证其正确性，谨慎参考
• 看完这一课后Content Based Recommendations 后自己用java实现了一下

1、下图是待处理的数据，代码使用数据和下图一样：

2、思路：对每个用户假定其为一个3维向量（在代码中初始化为[1,1,1]的转置，然后采用梯度下降法不断的对这个3维向量的值进行更新），假设更新到最后的向量值为[0，5，0]的转置，然后使用该向量和电影“Cute puppoes of love”的特征向量进行计算，即可得到该电影的预测分为4.95。

3、使用梯度下降法对某个用户的向量进行更新（我在代码中没有考虑正则化这一问题，现在还不懂正则化，后面学会了就附上加了正则化的）：

下图为没有使用正则化的函数：

4、下面仅针对用户carol进行了代码实现

public class ContentBase {    private static int[][] rate_set = { { 5, 5, 0, 0 }, { 5, -1, -1, 0 },            { -1, 4, 0, -1 }, { 0, 0, 5, 4 }, { 0, 0, 5, -1 } };    private static double[][] m_feature = { { 0.9, 0 }, { 1.0, 0.01 },            { 0.99, 0 }, { 0.1, 1.0 }, { 0, 0.9 } };    //仅针对用户carol进行了代码实现    public static void main(String[] args) {        double t = 0.1;        double[] para = { 1.0, 1.0, 1.0 };        double[] partial = new double[3];        double min = 0.0;        int i = 0, j, u,times=0;        double temp,temp2;        //100为用户2的向量学习次数        while(times++<100){            min=0.0;            i=0;            //该while循环计算代价函数            while (i < 5) {                temp = 0.0;                if (rate_set[i][2] != -1) {                    for (u = 0; u < 3; u++) {                        if (u == 0)                            temp += para[u];                        else                            temp += para[u] * m_feature[i][u - 1];                    }                    min += (temp - rate_set[i][2]) * (temp - rate_set[i][2]);                }                i++;            }            System.out.print("当用户 carol的向量值为[");            for(j=0;j<3;j++)                if(j!=2)                    System.out.print(para[j]+",");                else                    System.out.println(para[j]+"]时，min="+min);            System.out.println();            for (j = 0; j < 3; j++) {                i = 0;                partial[j] = 0;                while (i < 5) {                    temp = 0.0;temp2=0.0;                    if (rate_set[i][2] != -1) {                        for (u = 0; u < 3; u++) {                            if (u == 0)                                temp += para[u];                            else                                temp += para[u] * m_feature[i][u - 1];                        }                        temp2 += temp - rate_set[i][2];                        if (j != 0)                            temp2 *= m_feature[i][j - 1];                        partial[j]+=temp2;                    }                    i++;                }            }            //根据求得的偏导数 partial来更新某用户的参数值            for (j = 0; j < 3; j++) {                para[j] = para[j] - t * partial[j];            }        }    }}

4、运行结果：

注：部分图片来源为 机器学习-吴恩达 中的视频截图