Differences

This shows you the differences between two versions of the page.

--- data_mining:recommender_systems [2014/08/30 16:00] – [Inhaltsbasierte Recommender] phreazer
+++ data_mining:recommender_systems [2014/08/30 16:35] – [Mean Normalization] phreazer
@@ Line 8: / Line 8: @@
 Bsp.: $x^{(1)}=(1,0.9,0)^T$
-Lernen von \theta^{(j)}, basierend auf vorhandenen Bewertungen.
+Lernen von $\theta^{(j)}$, basierend auf vorhandenen Bewertungen.
 ==== Collaborative Filtering ====
 Featurewerte sind unbekannt.
-\theta^{(j)} bekannt.
+$\theta^{(j)}$ bekannt (Benutzer haben sie offenbart), dann lassen sich Werte für Features daraus schließen.
+==== Vorgehen ====
+$\theta$ zufällig schätzen. $\theta \rightarrow x \rightarrow \theta \rightarrow \dots$
+Kombinieren der Optimierungsziele zur einfacheren Berechnung ohne sequentielle Berechnungen.
+  - Random initialization
+  - Minimierung der Kostenfunktion (Grad Desc)
+  - 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