推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法：低秩矩阵分解(low rank matrix factorization)
Posted 李燕
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法：低秩矩阵分解(low rank matrix factorization)相关的知识，希望对你有一定的参考价值。
如上图中的predicted ratings矩阵可以分解成X与ΘT的乘积，这个叫做低秩矩阵分解。
我们先学习出product的特征参数向量，在实际应用中这些学习出来的参数向量可能比较难以理解，也很难可视化出来，但是它们是做为区分不同电影的特征
怎么来区分电影i与电影j是否相似呢？就是判断X(i)与X(j)之间的距离是否小来判断。这样在一个用户看了或者买了一部电影后，我们可以给他推荐相似的电影。
总结:
1>用向量化的计算来对所有的用户所有的电影进行评分计算
2>通过学习特征参数，如何找到相关的电影和产品
以上是关于推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法：低秩矩阵分解(low rank matrix factorization)的主要内容，如果未能解决你的问题，请参考以下文章
Ng第十六课：推荐系统(Recommender Systems)
干货书实战推荐系统，Practical Recommender Systems，432页pdf
推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法：基于内容的推荐
序列推荐系统:挑战进展和展望Sequential Recommender Systems
推荐系统介绍:(协同过滤)—Intro to Recommender Systems: Collaborative Filtering
推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法：协同过滤(collaborative filtering )