一，推荐系统定义
推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户
推荐系统算法是目前所学的唯一可以自动选择特征，代替了手动选择特征的烦恼
二，推荐系统问题-电影评分系统
根据用户对各电影的评分，来计算用户未评分电影的评分，给用户推荐评分高的电影
三，基于内容的推荐系统
假如每部电影(x^{(i)})有两个特征，浪漫系数特征(x_1)，动作系数特征(x_2)等等
对每个用户j，学习一个参数( heta^{j})，预测用户j对电影i的评分(( heta^{j})^Tx^{(i})
学习( heta^{(i)}))使已评分的电影的评分和预测值最小
优化目标归一化
因为只与( heta)有关，可以用梯度下降法解决
三，协同过滤算法
基于内容的推荐系统有一个前提，每部电影的特征(x^{i})必须准确，即必须准确判断出每部电影有多浪漫，有多动作，但在现实中很难做到，也很花时间
如果我们知道( heta^{(i)})，那么(x^{i})自然可以求出
优化目标
依次计算两个梯度下降
更简单的计算方法，合并两个优化目标
协同过滤算法步骤
向量化计算过程
如何发现哪些电影类似
均值归一化
如果某用户没看过任何电影，那么协同过滤算法最后不会给他推荐任何算法，这并不符合推荐算法的目的
所有已评分数减去该影片平均值(mu)，将来预测时再加回平均值(mu)
分两种情况
1),一种能计算出评分，不影响
2),计算不出来的(评分0)，就给它平均值
