吳恩達機器學習系列24：協同過濾

在上一次中，咱們是先知道電影的特徵，而後經過算法計算出用戶的特徵。下面咱們來考慮一下能不能知道用戶的特徵，讓算法學習出電影的特徵呢？

咱們能夠看到，這個算法與以前的算法是同樣的，只不過傳入的特徵不一樣而已。咱們能夠先隨機地求出一些用戶特徵 θ，用這些特徵計算出電影的特徵 x，經過電影的特徵又能更好地計算出用戶的特徵，不斷迭代... 最終會收斂到一個最優的位置，這時用戶的特徵和電影的特徵被計算出來，這種方法就叫協同過濾（Collaborative filtering）。

爲了簡化一下這種方法，不讓它進行屢次來回重複，咱們將它合併成一個代價函數，這個代價函數同時傳入電影特徵 x 和用戶特徵 θ：

它會同時最小化電影特徵 x 和用戶特徵 θ，雖然這個代價函數看起來很長很複雜，可是仔細分析一下你就會發現，這個代價函數就是把以前的兩個代價函數合併起來了而已。

如何尋找相關聯的電影呢？好比說，你已經知道該用戶對動做電影感興趣，你向他推薦了一部動做電影，用戶看完以後，若是你還想向他推薦動做電影該如何進行處理呢？一種方法就是計算兩個電影特徵的絕對值，若是絕對值比較小，就表明這兩個電影高度相關，你就能夠把這部電影也推薦給該用戶。

最後總結一下協同過濾算法：

1.隨機初始化一些用戶特徵 θ 和電影特徵 x；

2.運用梯度降低最小化代價函數，獲得最佳的用戶特徵 θ 及電影特徵 x；

3.傳入一個用戶特徵，該算法就能夠根據以前的學習成果向該用戶推薦可能感興趣的電影。

ps. 本篇文章是根據吳恩達機器學習課程整理的學習筆記。若是想要一塊兒學習機器學習，能夠關注微信公衆號「SuperFeng」，期待與你的相遇。