• 特征学习

    理解

    image.png

  • 有的时候面临着不知道电影属于哪一个特征，没有特征值

  • 但是已经通过采访，知道了每个用户的喜好（模型参数）
  • 也知道了用户对这些电影的评分，输出结果 y
  • 因此可以反推电影的特征值

  • 实现特征学习（此时模型参数θ成为了样本点）

    公式化

    image.png

  • 此时的正则化项是特征值

  • 实际上就是将之前的回归模型中的模型参数和特征值地位调换

    协同

    image.png

  • 由用户的爱好，得到目标的特征

  • 再由目标的特征准确用户的爱好
  • 用更准确地爱好得到对目标特征更准确的评价
  • 迭代不断优化
  • 用户也在帮助算法优化

  • 前提条件是用户对电影都进行了评价，而且每个电影都得到了特征

    更好的算法

    image.png

  • 前面得到的公式中，涉及了大量的反复运算，先得到x再得到θ再推出x…..

  • 存在一个更优的算法，使得x和θ可以同时得到

image.png

  • 将两者结合了起来（注意求和下标）
  • 一些细节

image.png

  • 这时的x和θ不必从0开始排，两者维度相同即可，也不必强行要求【机器学习】协同过滤推荐算法 - 图7（原回归算法的硬编码要求）

    过程

    image.png

    特殊作用

    image.png

  • 通过协同过滤推荐后

  • 可以通过算法挖掘电影不容易被发现的特征
  • 可以衡量两部电影的相似程度，实现同类物品推荐的功能