16. Recommender Systems

Recommender Systems

Problem formulation

Content-based recommendations

Optimization objective

To learn \theta^{(j)} (parameter for user j):

\min_{\theta^{(j)}}\frac{1}{2}\sum_{i:r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})^2+\frac{\lambda}{2}\sum_{k=1}^n(\theta_k^{(j)})^2

To learn all (\theta^{(1)},...,\theta^{(n_u)}):

\min_{\theta^{(1)},...,\theta^{(n_u)}}\frac{1}{2}\sum_{(j=1)}^{n_u}\sum_{i:r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})^2+\frac{\lambda}{2}\sum_{j=1}^{n_u}\sum_{k=1}^n(\theta_k^{(j)})^2

Collaborative Filtering

\min_{x^{(i)}}\frac{1}{2}\sum_{j:r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})^2+\frac{\lambda}{2}\sum_{k=1}^n(x_k^{(i)})^2

Given \theta^{(1)},...,\theta^{(n_u)}:

\min_{x^{(1)},...,x^{(n_m)}}\frac{1}{2}\sum_{(i=1)}^{n_m}\sum_{j:r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})^2+\frac{\lambda}{2}\sum_{i=1}^{n_m}\sum_{k=1}^n(x_k^{(i)})^2

Collaborative filtering algorithm

Minimizing x^{(1)},...,x^{(n_m)} and \theta^{(1)},...,\theta^{(n_u)} simultaneously:

J(x^{(1)},...,x^{(n_m)},\theta^{(1)},...,\theta^{(n_u)}) = \frac{1}{2}\sum_{(i,j):r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})^2+\frac{\lambda}{2}\sum_{i=1}^{n_m}\sum_{k=1}^n(x_k^{(i)})^2+\frac{\lambda}{2}\sum_{j=1}^{n_u}(\theta_k^{(j)})^2

Gradient dexcent:

x_k^{(i)}:=x_k^{(i)}-\alpha(\sum_{j:r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})\theta_k^{(j)}+\lambda x_k^{(i)}) \newline \theta_k^{(i)}:=\theta_k^{(i)}-\alpha(\sum_{i:r(i,j)=1}((\theta^{(j)})^Tx^{(i)}-y^{(i,j)})x_k^{(i)}+\lambda \theta_k^{(j)})

Vectorization: Low rank matrix factorization

X = \begin{bmatrix} (x^{(1)})^T \\ (x^{(2)})^T \\ ... \\ (x^{(n_m)})^T \end{bmatrix} \qquad \Theta=\begin{bmatrix} (\theta^{(1)})^T \\ (\theta^{(2)})^T \\ ... \\ (\theta^{(n_u)})^T \end{bmatrix}

Predicted ratings:

X\Theta^T

Implementational detail: Mean normalization

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末薯演,一起剝皮案震驚了整個(gè)濱河市诲泌,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌涯保,老刑警劉巖洪规,帶你破解...
    沈念sama閱讀 222,590評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件酱虎,死亡現(xiàn)場(chǎng)離奇詭異担猛,居然都是意外死亡蹄胰,警方通過(guò)查閱死者的電腦和手機(jī)岳遥,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,157評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)裕寨,“玉大人浩蓉,你說(shuō)我怎么就攤上這事派继。” “怎么了捻艳?”我有些...
    開封第一講書人閱讀 169,301評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵驾窟,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我认轨,道長(zhǎng)绅络,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,078評(píng)論 1 300
  • 正文 為了忘掉前任嘁字,我火速辦了婚禮恩急,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘拳锚。我一直安慰自己假栓,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,082評(píng)論 6 398
  • 文/花漫 我一把揭開白布霍掺。 她就那樣靜靜地躺著匾荆,像睡著了一般。 火紅的嫁衣襯著肌膚如雪杆烁。 梳的紋絲不亂的頭發(fā)上牙丽,一...
    開封第一講書人閱讀 52,682評(píng)論 1 312
  • 那天,我揣著相機(jī)與錄音兔魂,去河邊找鬼烤芦。 笑死,一個(gè)胖子當(dāng)著我的面吹牛析校,可吹牛的內(nèi)容都是我干的构罗。 我是一名探鬼主播,決...
    沈念sama閱讀 41,155評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼智玻,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼遂唧!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起吊奢,我...
    開封第一講書人閱讀 40,098評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤盖彭,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后页滚,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體召边,經(jīng)...
    沈念sama閱讀 46,638評(píng)論 1 319
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,701評(píng)論 3 342
  • 正文 我和宋清朗相戀三年裹驰,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了隧熙。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,852評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡邦马,死狀恐怖贱鼻,靈堂內(nèi)的尸體忽然破棺而出宴卖,到底是詐尸還是另有隱情滋将,我是刑警寧澤邻悬,帶...
    沈念sama閱讀 36,520評(píng)論 5 351
  • 正文 年R本政府宣布,位于F島的核電站随闽,受9級(jí)特大地震影響父丰,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜掘宪,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,181評(píng)論 3 335
  • 文/蒙蒙 一蛾扇、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧魏滚,春花似錦镀首、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,674評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至腥寇,卻和暖如春成翩,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背赦役。 一陣腳步聲響...
    開封第一講書人閱讀 33,788評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工麻敌, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人掂摔。 一個(gè)月前我還...
    沈念sama閱讀 49,279評(píng)論 3 379
  • 正文 我出身青樓术羔,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親乙漓。 傳聞我的和親對(duì)象是個(gè)殘疾皇子级历,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,851評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容