Tag Archives: Recommender Systems

【MachineLearning】Recommender Systems——Implementational Detail: Mean Normalization

(从前几节课)截止到本课程,你已经对推荐系统(Recommender Systems)算法或者协同过滤法(Collaborative Filtering Algorithm)的主要部分有了了解。在本节课,我将会和大家分享最后一个在算法实现上需要掌握的细节知识,被称为均值归一化(Mean Normalization),有些时候(通过它)可以使得算法运行的更好。

注:x(i):第i部电影的类型程度参数;θ(j):计算出第j位用户喜欢类型参数。
Continue reading

【MachineLearning】Recommender Systems——Vectorization: Low Rank Matrix Factorization

在上一节课程中,我们讲了推荐系统里面的协同过滤法(Collaborative Filtering Algorithm)。本节课中我们将会讲到该①协同过滤算法的向量化实现(vectorization implementation);②协同过滤法的其它应用(用||x(i)-x(j)||如何来计算两个产品间的相似度)。比如,某用户看中一件产品,我们之后便可以给他推荐与之相关的其它产品。下面让我们具体看看。

Ps:这节课没讲很多内容,可以结合前两节的课程来学习。本文基本上没讲低秩矩阵分解(Low rank matrix factorization)的内容,更多地请查阅相关矩阵论方面的内容自行学习。

注:x(i):第i部电影的类型程度参数;θ(j):计算出第j位用户喜欢类型参数。

Continue reading

【MachineLearning】Recommender Systems——Collaborative Filtering Algorithm

在上节课程中,我们学习了①通过用户喜欢类型θ参数,计算出电影类型程度参数x(i);②通过电影类型程度参数x(i),计算出用户喜欢类型θ参数。在本节课程中,我们将会把(上节课的)这些想法组合到一起,写出协同过滤法(Collaborative Filtering Algorithm)的整个实现流程

Continue reading

【MachineLearning】Recommender Systems——Collaborative Filtering

在本节课程中,我们会讲到一种用来建立推荐系统(recommender system)的方法——协同过滤法(collaborative filtering)。这个有趣的算法有一个非常有趣的特性,它会进行特征学习,也就是说它会自己学习使用哪些特征。

Ps:本课主要对协同过滤算法的两个重要步骤进行讲解。①通过用户喜欢类型θ参数,计算出电影类型程度参数x(i)②通过电影类型程度参数x(i),计算出用户喜欢类型θ参数③对协同过滤(collaborative filtering)的含义(所有用户为整个推荐系统做出自己微弱的贡献,并在此过程中交替进行这两个步骤)进行了讲解

Continue reading

【MachineLearning】Recommender Systems——Content Based Recommendations

在上一节课程中,我们谈到了推荐系统的问题,你或许有很多电影,同时他们被很多用户评分(0星到5星)。我们需要做的是观察这些用户的同时对那些未被评级的电影打分评级。 在本节课程中,我们将会讲到第一个方法,来构建我们的推荐系统,这个方法叫做基于内容的推荐(Contented based recommendations)该方法也是通过构建类似选择参数向量J来最小化这个误差平方项的线性回归,最小化成本函数Continue reading

【MachineLearning】Recommender Systems——Problem Formulation

在本章的课程中,我会给你讲到推荐系统(Recommender Systems),本节我们将介绍给你推荐系统(Recommender Systems)的表示形式。有两个重要的原因,让我们想给你讲这个(推荐系统)。

  • 其一,推荐系统(Recommender Systems)是机器学习的一个重要应用。在过去的几十年里,我访问过在硅谷不同的科技类公司,我询问他们使用的最多的机器学习应用是什么,或者说是最想实现提高的应用,我听到更多的话是“我们的团队在建立更加好的推荐系统”,比如Amazon(推荐商品),Netflix(推荐电影),ebay(推荐新品)等等。在很多科技类公司,推荐系统的研发是有很高的优先权(priority)的,这也是为什么我想要在这堂课上讲的原因之一;
  • 其二,我想给你分享这些big idea,推荐系统(recommender systemers)就是其中之一。此外,特征对于机器学习来说是非常重要的,特征的选择在学习算法的表现上有很大影响。

有些算法可以自动地学习好的特征集,这(自动选择特征)也是我们一直在做的,而不是手动构建(人工手动地选择特征)。这里也有些可以使我们的算法去学习那些特征来使用,推荐系统(Recommender Systems)只是这其中之一。 Continue reading