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)

标签：bsp   相关   可视化   ati   分享   ack   不同   用户   com   

如上图中的predicted ratings矩阵可以分解成X与Θ^T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

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)

标签：bsp   相关   可视化   ati   分享   ack   不同   用户   com   

原文地址：http://www.cnblogs.com/yan2015/p/7553897.html