Differences
This shows you the differences between two versions of the page.
| Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision | ||
| data_mining:recommender_systems [2014/08/30 16:08] – [Collaborative Filtering] phreazer | data_mining:recommender_systems [2014/08/30 16:31] – [Low Rank Matrix Factorization] phreazer | ||
|---|---|---|---|
| Line 8: | Line 8: | ||
| Bsp.: $x^{(1)}=(1, | Bsp.: $x^{(1)}=(1, | ||
| - | Lernen von \theta^{(j)}, | + | Lernen von $\theta^{(j)}$, basierend auf vorhandenen Bewertungen. |
| ==== Collaborative Filtering ==== | ==== Collaborative Filtering ==== | ||
| Line 18: | Line 18: | ||
| $\theta$ zufällig schätzen. $\theta \rightarrow x \rightarrow \theta \rightarrow \dots$ | $\theta$ 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 ==== | ||
| + | |||