🌵🌵🌵前言
✨你好啊，我是“ 怪& ”，是一名在校大学生哦。
🌍主页链接：怪&的个人博客主页
☀️博文主更方向为：课程学习知识、作业题解、期末备考。随着专业的深入会越来越广哦…一起期待。
❤️一个“不想让我曾没有做好的也成为你的遗憾”的博主。
💪很高兴与你相遇，一起加油！
一、推荐系统
填补未评价缺失值，推荐用户感兴趣的内容
二、基于内容的推荐算法
把其作为一个线性回归问题
参数向量θ：对每一个用户都应用一个不同的线性回归的副本
xi是特定电影的一个特定向量
最小化第二个表达式即可得到最优的一系列θ
因为正则化项仅对θk处理
三、协同过滤
已给θ，求x
协同优化
四、协同过滤算法
将上述两式子合二为一
协同算法的步骤：
1、以小值初始化参数
2、最小化，类似于梯度下降
3、进行预测
五、矢量化：低秩矩阵分解
1、协同过滤算法的向量化实现
2、使用此算法可实现的功能，例如相关商品的推荐
通过矩阵来计算：
推荐相关：找x距离较小的（即两者相似程度较高）
六、实施细节：均值规范化
用均值归一化后的电影评分来学习
因为训练数据减去了所有的均值，做预测时，需要把均值加回去
即若用户对每一电影都没有评分，则将电影的评分均值赋给该用户的评分。
当用户对所有电影都没有评价时：
采用均值归一化后：
效果是：将行均值赋至该用户对此电影的评分
