机器学习结合推荐系统

推荐系统：

推荐系统的实现主要分为两个方面：基于内容的实现和协同滤波的实现。

一、基于内容的实现：

不同观众对不同电影给予评分的例子，则可被视为一种典型的回归问题。因此，在处理每一部电影时都需要先提取出其对应的特征向量X（即x值），然后为每位观众建立相应的模型：每位观众打出的分值则可视为响应变量Y（即y值）。通过这些现有的评分数据集Y和对应的特征向量X，则能训练出相应的线性回归模型（或其他形式）。从而能够预测那些尚未被该观众评过分的电影可能获得的分数。（需要注意的是，在为每位观众建立独立于其他用户的个性化模型时）

换一种思路来看的话，另一种方法是先设定每个用户的某种电影偏好等级（称为权重），然后学习每部电影的特征属性，最后运用回归模型来预测那些尚未被评分的电影。

当然还可以是通过协同优化的方法获得每个用户的偏好吧爱程度以及每部电影的特征。具体而言这门课程可以在coursera上找到：https://www.coursera.org/course/ml

二、基于协同滤波的实现：

协同滤波（CF）被视为一个分类模型或一种矩阵分解方法。这种技术主要建立在用户的偏好具有相似性的基础上，并不依赖于个人的基本信息或关键属性。具体来说，在之前的电影评分案例中...

SVD将矩阵分解为三个矩