電影推薦系統的用例分析

1. 模擬一個基於朋友圈的電影推薦系統。 設定目前微信總用戶有1000人，每個人均有自己的朋友圈，每個人

你這種要花大勞動力的不是100財富值能解決的。還是去相關的僱傭網站上發布需求吧。價格估計不低。

2. 學IT的，寫了一個電影推薦系統，但是為什麼評分預測值大於五

全文以「預測電影評分」例子展開

r(i,j)=0則表明user_j沒有對movie_i 沒有評分，

推薦系統要做的就是通過預測user_j對這些movie {i|r(i,j)=0}的評分來給user_j 推薦其可能會喜歡的電影<預測評分較高的movie>

=======================================二、基於內容的推薦=======================================

對每個movie_i引入特徵x(i)=(x1, x2)，這種特徵可能表明user對movie類型的偏好：浪漫or動作等

對於每個user引入一個參數theta，然後對評分矩陣的每列(對應一個user)做線性回歸，數據是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像機器學習一樣，x(i)添加個1變數x(i)=(1, x1, x2)

那麼對於未評分的movie_t，我們可以使用線性回歸訓練的參數theta與對應特徵x(t)做內積來得到其預測評分

對每個用戶都訓練一個參數theta_j，優化模型如下：

優化演算法：注意正則項是不約束x(i)=(1, x1, x2)中1對應的參數theta的第一項theta0，所以k=0與k=1,2分別對待

=======================================三、協同過濾=======================================

現在換個角度：如果知道theta for all user j，如何來預測x(i) = (x1, x2) all i

仍然可以使用線性回歸，為訓練每個x(i)，需要評分矩陣的第i行數據{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5說明user_j喜歡romance類movie， theta2=5說明user_j喜歡action類movie，只能有一個等於5哦，

我覺得也可以是：theta_j = (0, 4, 1) ；喜歡romance 4 action 1.

對應的優化：

協同過濾：交替優化theta與x

=========================================四、協同過濾演算法=======================================

優化：

優化：注意去掉了theta和x的添加項

=========================================五、實現細節補充=======================================

實現細節：

如果有user沒有對任何電影評分或者所有評分的電影都是0分，那麼所學習到的參數是零向量，

則預測都是0值，這是不合理的。通過 將評分矩陣減去其行均值再進行線性回歸來「避免」這種情況

=========================================六、一點思考==========================================

協同過濾那塊，同時優化theta、x，這樣得到的theta、x還有特定的意義<比如：x是否還表徵對影視類型的喜愛與否>沒有？

回歸中，在x數據上不添加1-feature是不是因為後來引入的平均值化；如果不是，那會對結果有什麼影響？

用x-feature來表徵一個movie，x-feature的各分量的可解釋性；應該會有一部分user應為演員的緣故有一些"偏愛"。

這里，講的"基於內容的推薦"與"協同過濾"跟以前對這兩個詞的認識/所指內容不同，查清楚、搞明白。

這周還會再更一篇關於此節課的演算法實現，會對上述部分問題做出回答。

3. 演算法的健壯性是其主要評價之一對嗎

演算法的健壯性是其主要評價之一。

健壯性是指標之一。評價一個演算法好壞的基本原則之一是演算法的健壯性，所謂的健壯性指的是演算法能對意外情況做出適當反映或進行相應處理，所以根據這個定義，健壯性越好的演算法，其運行效果就越好。

演算法的由來：

演算法最先被知道的就是推薦演算法。研究起源於20世紀90年代，由美國明尼蘇達大學GroupLens研究小組最先開始研究，他們想要製作一個名為Movielens的電影推薦系統，從而實現對用戶進行電影的個性化推薦。

首先研究小組讓用戶對自己看過的電影進行評分，然後小組對用戶評價的結果進行分析，並預測出用戶對並未看過的電影的興趣度，從而向他們推薦從未看過並可能感興趣的電影。

此後，Amazon開始在網站上使用推薦系統，在實際中對用戶的瀏覽購買行為進行分析，嘗試對曾經瀏覽或購買商品的用戶進行個性化推薦。根據 enture Beat的統計，這一舉措將該網站的銷售額提高了35%自此之後，個性化推薦的應用越來越廣泛。

4. 如何學習Hbase

推薦一些Hadoop家族系列文章，主要介紹Hadoop家族產品，常用的項目包括Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa，新增加的項目包括，YARN, Hcatalog, Oozie, Cassandra, Hama, Whirr, Flume, Bigtop, Crunch, Hue等。

一、學習路線圖
Hadoop家族學習路線圖 開篇必讀
Hive學習路線圖
Mahout學習路線圖
二、編程實踐
Hadoop歷史版本安裝
用Maven構建Hadoop項目
Hadoop編程調用HDFS
用Maven構建Mahout項目
Mahout推薦演算法API詳解
用MapRece實現矩陣乘法
從源代碼剖析Mahout推薦引擎
Mahout分步式程序開發 基於物品的協同過濾ItemCF
Mahout分步式程序開發 聚類Kmeans
PageRank演算法並行實現
三、案例分析
海量Web日誌分析 用Hadoop提取KPI統計指標
用Hadoop構建電影推薦系統
用Mahout構建職位推薦引擎
Mahout構建圖書推薦系統
PeopleRank從社交網路中發現個體價值

5. 根據用戶最近的瀏覽習慣和喜好,給用戶推薦相關信息,即「推薦系統」,試論述其基本原理

根據用戶習慣推薦信息，首先你需要由相關的演算法，能夠分析用戶日常瀏覽搜索閱讀行為和關鍵詞。然後進行信息匹配和對比，根據相應推薦頻率、推薦形式推薦方法，給用戶定時定點發送消息。這就是推薦系統的基本原理。

6. 電影推薦系統包括什麼功能

電影推薦系統功能包括票房統計，評分推薦，電影類型推薦。

項目流程：首先獲取用戶id，刪除用戶之前存在的推薦結果，裝載樣本評分數據（不同用戶對不同電影的評分數據：userid、 movieid、rating、timestamp ）。然後裝載電影信息數據（從movieinfo表中取出movieid、moviename、typelist）。

註：樣本評分數據和電影信息數據以.dat文件的形式被傳入HDFS中。

將樣本評分數據切分成3部分，60%用於訓練（訓練集）、20%用於校驗(校驗集)、20%用於測試（測試集）

訓練不同參數下的模型，並在校驗集中校驗，找出最佳模型。

設置參數（隱語義因子的個數、ALS的正則化參數、迭代次數），將設置的參數和訓練集作為參數傳入到spark MLlib庫的ALS（）函數中，得到推薦模型，調整參數會得到多個不同的模型。

校驗方法：

將校驗集裝入模型中，得到用戶對電影的預測評分，計算預測評分和實際評分的均方根誤差，找出多個模型中均方根誤差最小的模型作為最佳模型。

用最佳模型預測測試集的評分，並計算預測評分和實際評分的均方根誤差，改進最佳模型。

用最佳模型預測某用戶對電影信息數據集中的所有電影的評分，選出評分最高的前十部電影。將推薦結果存入資料庫recommendresult表中

————————————————

版權聲明：本文為CSDN博主「塞奈」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。

原文鏈接：https://blog.csdn.net/qq_44459219/article/details/118416465

7. 協同過濾，基於內容推薦有什麼區別

基於內容的推薦只考慮了對象的本身性質，將對象按標簽形成集合，如果你消費集合中的一個則向你推薦集合中的其他對象；

基於協同過濾的推薦演算法，充分利用集體智慧，即在大量的人群的行為和數據中收集答案，以幫助我們對整個人群得到統計意義上的結論，推薦的個性化程度高，基於以下兩個出發點：(1)興趣相近的用戶可能會對同樣的東西感興趣；(2)用戶可能較偏愛與其已購買的東西相類似的商品。也就是說考慮進了用戶的歷史習慣，對象客觀上不一定相似，但由於人的行為可以認為其主觀上是相似的，就可以產生推薦了。

8. 電影推薦系統是用java寫還是paython寫好一點

我覺得用java好一些。
java是一門面向對象的編程語言。java語言具有功能強大和簡單易用兩個特徵，具有簡單性、面向對象、分布式等特點，可以編寫桌面應用程序、Web應用程序、分布式系統和嵌入式系統應用程序等。
Python目前的應用領域比較廣泛，目前Python的主要方向分為後端開發、數據分析、網路爬蟲、機器學習等。