data_mining:recommender_systems

Differences

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

Link to this comparison view

Next revision		Previous revision
data_mining:recommender_systems [2014/08/30 15:19] – angelegt phreazerdata_mining:recommender_systems [2014/08/30 16:36] (current) – [Mean Normalization] phreazer
Line 1: Line 1:
 ===== Recommender Systems ===== ===== Recommender Systems =====
 +
 +Rating 0-5
 +
 +==== Inhaltsbasierte Recommender ====
 +Bewertungsmatrix + Features $x_1, x_2$, die romance und action messen.
 +
 +Bsp.: $x^{(1)}=(1,0.9,0)^T$
 +
 +Lernen von $\theta^{(j)}$, basierend auf vorhandenen Bewertungen.
 +
 +==== Collaborative Filtering ====
 +Featurewerte sind unbekannt.
 +
 +$\theta^{(j)}$ 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
 +
 +Nutzen: Für Nutzer ohne Bewertung wird Bewertung basierend auf Durchschnitte erstellt.
  • data_mining/recommender_systems.1409404790.txt.gz
  • Last modified: 2014/08/30 15:19
  • by phreazer