Recommender Systems（推荐系统）

Problem formulation（问题描述）

nu：用户数量

nm：电影数量

SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

r(i, j)：用户j给电影评分时为1

y(i, j)：用户j给电影i评的分数

Content-­‐based recommendations（基于内容的推荐系统）

θ(j)：用户j的参数向量

x(i)：电影i的特征向量

(θ(j))Tx(i)：用户j对电影i的预测评分

m(j)：用户j参与评分的电影数量

优化目标：

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第1张

优化算法（梯度离散更新）：

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第2张

Collaborative filtering（协同过滤）

优化算法：

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第3张

Collaborative filtering（协同过滤）

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第4张

Collaborative filtering algorithm（协同过滤算法）

优化目标：

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第5张

优化算法：

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第6张

Vectorization: Low rank matrix factorization（矢量化：低秩矩阵因式分解）

X * ΘT = Predicted ratings

Finding related movies:

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第7张

Implementation detail: Mean normalization（实施细节：均值归一化）

机器学习---吴恩达---Week9_2（推荐系统） 随笔 第8张

 

扫码关注我们
微信号：SRE实战
拒绝背锅 运筹帷幄