文章图片
推荐算法的实际应用，根据用户对电影的评分来预测某种类型用户为评分电影的分值
基于内容的推荐算法:目标的特征都有，用这些特征描述量
文章图片
给推荐算法的公式定义
文章图片
优化目标函数
文章图片
文章图片
文章图片
特征学习：能够自行学习所要使用的特征
如何从一部特定的电影中学习新特征的方法和公式
文章图片
学习所有电影的所有特征
文章图片
文章图片
1.上面的式子代表了每位用户对所有电影的评价
2.中间的式子代表了每部电影不同用户对它的评价代价函数
3.下面的式子可以同时算出以上的两个量
协同过滤算法：执行算法时，要观察大量的用户，观察其实际行为，得到更佳的评估值，从而更好地学习特征，这些学习好的特征又能被用来更好地进行预测和评估。（每一位用户地评价都在帮助算法进行更好的特征学习）
文章图片
文章图片
协同过滤算法的向量化实现
文章图片
协同过滤算法的应用
文章图片
均值归一化及其实现
文章图片
1.根据已有的评分计算出每部电影的平均值U
【机器学习|推荐系统，特征学习，协同过滤算法，均值归一化】2.用已有得分减去平均值U得到矩阵Y来学习未知数值的参数和预测值
推荐阅读
- 数据库|谷歌、斯坦福联合发文（我们为什么一定要用大模型（））
- C语言经典100题|C语言经典100题——求一个二维数组的鞍点
- 机器学习|关于权重衰退和丢弃法
- 数学建模|预测——马尔可夫链
- 机器学习|【Python】逻辑回归（softmax多分类）
- Unity3D|Unity3D ML-Agent-0.8.1 学习一（基础教程）
- 数据结构|【八大排序④】归并排序、不基于比较的排序（计数排序、基数排序、桶排序）
- 机器学习|无源域适应（SFDA）方向的领域探究和论文复现（第二部分）
- 聚类|无源域适应（SFDA）方向的领域探究和论文复现（第一部分）