ng机器学习视频笔记（十四）——推荐系统基础理论

ng机器学习视频笔记（十三）

——推荐系统基础理论

（转载请附上本文链接——linhxx）

一、概述

         推荐系统（recommender system），作为机器学习的应用之一，在各大app中都有应用。这里以用户评价电影、电影推荐为例，讲述推荐系统。

         最简单的理解方式，即假设有两类电影，一类是爱情片，一类是动作片，爱情片3部，动作片2部，共有四个用户参与打分，分值在0~5分。

         但是用户并没有对所有的电影打分，如下图所示，问号表示用户未打分的电影。另外，为了方便讲述，本文用n_u代表用户数量，n_m代表电影数量，r(i,j)=1表示用户j给电影i评价，y^(i,j)表示用户j给电影i的打分（当r(i,j)=1时这里的值才有效）。

         前三部是爱情片，用户Alice给前两部爱情片都5分，根据直接判断，其打5分的概率很高。

         下面首先就要解决用机器学习来预测打分的问题，进而讨论电影的相关性问题。

二、基于内容的推荐系统

1、简要描述

         还是上面的几个人和几个电影，现假设已知每部电影的爱情属性和动作属性，分别用x1和x2表示每部电影的这两个特征值，加上x0=1，则该场景变为线性回归场景。即需要预测出用户对每种类型电影的喜好程度矩阵θ，进而在已知某种用户未打分的电影的特征x的情况下，用θTx预测用户可能给该电影打分的分值。

         下图假设已求出用户的θ=[0 5 0]T，第一个数0对应x0没有实际意义，第二个数5表示用户对爱情片的喜欢程度，第三个数0表示用户对动作片的喜好程度。则可以预测出，该用户对第三部电影的打分，可能4.95。如下图所示：

2、计算单个用户的θ

         列出类型线性回归的代价函数，但是在推荐系统中，有一些和线性回归的代价函数不太一样的地方：

         1）求和的时候，只计算用户已经打过分的电影，忽略未打分的电影。未打分的无法参与计算。

2）不需要除以用户已打过分的电影的数目。这里是常量，忽略对结果影响不大。

3、计算所有用户的θ

         每个用户去计算，要列很多公式，比较繁琐，这里可以把公式合并，一次性求出所有的用户对应的θ，即在代价函数的地方，累加上所有用户，同时正则化项也需要累加。

         接着，就用梯度下降算法，进行计算。

         这部分内容和线性回归完全一致，区别只有代价函数的列式不太一样，梯度下降部分完全一致。

         这里基于内容的推荐，可以认为给定样本的特征x，求θ的过程。

三、基于用户评论的预测

         现在考虑到，由于现实中并不一定会给每个电影都有特征标签，并且特征的数量可能非常多，但是考虑到已经有很多用户已经打分，现在反求每个电影的特征。

         这里可以理解为给定用户对不同特征的喜好程度θ，求样本的特征的过程。如下图所示：

         实际求解过程也很简单，只要把x当作变量，θ当作已知值，反过来列代价函数，进而再用梯度下降求出x即可。

四、协同过滤算法

         上面的两个问题，有点像鸡生蛋还是蛋生鸡的问题，可以看出x和θ，只要知道一个内容，就可以求出另一个内容。进而，可以用求出的内容，反过来再优化原来的内容。相当于可以形成一个θ->x->θ->x……的链。

         这里，首先由用户对电影评分，因此可以认为多个用户对电影的评分，致使计算出电影的特征，而特征又反过来进一步优化对用户评分的预测。

         对于公式上，考虑将两个公式整合成一个，再分别对θ和x求偏导数，进行梯度下降，则可以得到θ和x。

         这样的计算方式，则成为协同过滤算法（collaborative filtering algorithm）。

         公式如下：

五、向量化实现

         现在回到一开始的问题，怎么判断两个电影是否类型相似，进而给用户推荐相似类型的电影。

         前提条件还是之前的，知道部分用户对电影的打分，未知电影的类型，如下图所示：

         此时，可以用到向量化实现技术（vectorization implementation），简单来说，即用上面的协同过滤计算出x和θ后，将x和θ都表示成矩阵，并且用xθ^T得到预测矩阵，可以预测出每个用户对每种电影的打分，以及预测出电影的特征，矩阵如下图所示：

         这个称为低秩矩阵分解（low rank matrix factorization）。

         此时，要判断两个电影是否相似，则很简单，只要计算电影i和电影j对应的特征矩阵的距离||x⁽ⁱ⁾-x^(j)||，当这个值越小，则表示这两部电影越相似。

六、均值归一化

1、现有问题

         现考虑一个问题，当来了一个新用户，他没有对任何电影打分。此时如果用协同过滤算法，由于其没有任何的打分，则代价函数中，会只剩下θ平方和正则化项，另外两项都会为0。

         因此，当需要对θ进行代价函数最小化求解，会得到θ=0时代价函数最小（显然的事情），结果就是会预测出用户对所有电影的评分都是0分。这个有违常理。

2、解决问题

         为了解决问题，引入均值归一化（mean normalization），步骤如下：

         1）设矩阵Y表示所有用户对所有电影的打分，为打分的电影用？表示。

         2）在已打分的电影中，计算每个电影的分数均值。计算方式即打分的总数除以打分的总人数。设 这个矩阵为μ。

         3）令Y=Y-μ，得到一个新的矩阵，其中？部分仍为？。

         4）用这个新的Y去进行协同过滤算法，求出x和θ。

         5）此时对于某个用户，可以预测结果是(θ^(j))^Tx⁽ⁱ⁾+μ⁽ⁱ⁾，要加上对应的μ，是因为一开始扣除了μ。

         根据上述的计算，得出的新用户的预测结果，会是均值。这个可以简单的推出，因为结果是(θ^(j))^Tx⁽ⁱ⁾+μ⁽ⁱ⁾，而显然(θ^(j))^Tx⁽ⁱ⁾=0（因为这个用户之前没有任何预测，θ=0），故只会剩下μ值。

         这样，对于每一个新用户，在还没进行评价之前，会预测其对每个电影的评价是均值，这也就表示给新用户推荐电影时，会按均值，把均值较高的电影推荐给用户，这个比较符合常理。

七、总结

         这里的推荐系统，可以算是一个引子，只介绍了推荐系统的一些基础思想，对于真正完整的推荐系统，还有需要内容等待探索。后续我也会继续这方面的学习。

——written by linhxx

更多最新文章，欢迎关注微信公众号“决胜机器学习”，或扫描右边二维码。