吴恩达机器学习（十四）推荐系统（基于梯度下降的协同过滤算法）

最新推荐文章于 2026-05-29 17:48:18 发布

原创

最新推荐文章于 2026-05-29 17:48:18 发布 · 3.6k 阅读

·

6

·

本文介绍了吴恩达机器学习课程中推荐系统的相关内容，包括基于内容的推荐算法、协同过滤算法和低秩矩阵分解。通过电影推荐案例，详细阐述了如何计算电影特征、使用梯度下降优化模型，并将两者结合起来降低复杂度。文章还讨论了如何应用这些方法进行实际的推荐操作。

目录

1. 基于内容的推荐算法（Content-based recommendations）

2. 计算电影特征

3. 基于梯度下降的协同过滤算法（Collaborative filtering）

4. 低秩矩阵分解（Low rank matrix factorization）

5. 应用到推荐

学习完吴恩达老师机器学习课程的推荐系统，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

0. 前言

在推荐系统中，主要有两种方法，基于内容的推荐算法和协同过滤算法，此文章采用电影推荐作为例子，初始作如下定义：

$n_{u}$ --- 用户数量
$n_{m}$ --- 电影数量
$r(i,j)=1$ --- 用户 $j$ 对电影 $i$ 进行了评价
$y(i,j)$ --- 用户 $j$ 对电影 $i$ 的评分
$m^{(j)}$ --- 用户 $j$ 评价了的电影数量
$\theta^{(j)}$ --- 拟合用户 $j$ 评价电影的曲线参数
$n$ --- 电影的特征数量

推荐系统的目标，就是通过用户已经评价的电影和电影的特征，预测用户未评价的电影的评分，由此进行推荐。

1. 基于内容的推荐算法（Content-based recommendations）

给出如下例子（图源：吴恩达机器学习），基于内容的推荐算法已知每部电影的特征值：

对于用户 $j$ ，每一部的电影的特征为 $x$ ，用户的评分为 $y$ ，用数据集 $\{x^{(1)},y^{(1)}\},...,\{x^{(n_{m})},y^{(n_{m})}\}$ ，进行拟合，得到参数 $\theta^{(j)}$ ，对于需要预测的电影 $x_{pred}$ ，由

标签

#机器学习 #推荐算法 #协同过滤 #低秩矩阵 #基于内容的推荐算法

最低0.47元/天解锁文章

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。