data_mining:recommender_systems

Differences

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

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision
Previous revision
data_mining:recommender_systems [2014/08/30 16:01] – [Collaborative Filtering] phreazerdata_mining:recommender_systems [2014/08/30 16:36] (current) – [Mean Normalization] phreazer
Line 8: Line 8:
 Bsp.: $x^{(1)}=(1,0.9,0)^T$ 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 ==== ==== Collaborative Filtering ====
 Featurewerte sind unbekannt. Featurewerte sind unbekannt.
  
-$\theta^{(j)}$ bekannt, dann lassen sich Werte für Features daraus schließen.+$\theta^{(j)}$ 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.1409407280.txt.gz
  • Last modified: 2014/08/30 16:01
  • by phreazer