Differences
This shows you the differences between two versions of the page.
| Both sides previous revisionPrevious revisionNext revision | Previous revision | ||
| data_mining:recommender_systems [2014/08/30 14:20] – [Vorgehen] phreazer | data_mining:recommender_systems [2014/08/30 14:36] (current) – [Mean Normalization] phreazer | ||
|---|---|---|---|
| Line 24: | Line 24: | ||
| - Minimierung der Kostenfunktion (Grad Desc) | - Minimierung der Kostenfunktion (Grad Desc) | ||
| - Sage für einen Benutzer mit Paramter $\theta$ und einem Film mit Features x eine Bewertung $\theta^T x$ voraus. | - Sage für einen Benutzer mit Paramter $\theta$ und einem Film mit Features x eine Bewertung $\theta^T x$ voraus. | ||
| + | |||
| + | |||
| + | ==== Low Rank Matrix Factorization ==== | ||
| + | Bewertungsmatrix Y | ||
| + | |||
| + | Einträge $y_{ij} = (\Theta^{(j)})^T(x^{(i)})$ | ||
| + | |||
| + | $Y = X \Theta^T$ | ||
| + | |||
| + | === Finden ähnlicher Produkte: === | ||
| + | Für jedes Produkt i, wird ein Featurevektor $x^{(i)}$ gelernt. | ||
| + | |||
| + | Wie kann ein Produkt j gefunden werden, das mit Produkt i in Beziehung in Verbindung steht? | ||
| + | Wenn $||x^{(i)}-x^{(j)}||$ klein, dann sind beide Filme ähnlich. | ||
| + | |||
| + | ==== Mean Normalization ==== | ||
| + | Subtrahieren des Durchschnitts von der Bewertungsmatrix | ||
| + | |||
| + | Nutzen: Für Nutzer ohne Bewertung wird Bewertung basierend auf Durchschnitte erstellt. | ||