it電影推薦演算法

『壹』 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。

『貳』 有哪些關於 IT 的電影值得推薦

推薦兩部電影：

模仿游戲
我是誰：沒有絕對安全的系統

還有幾部紀錄片：

互聯網之子
第四公民
zero day
操作系統革命
代碼

『叄』 推薦介紹一部講述IT或者是矽谷科技的電視劇，電影也可。

IT精英 矽谷精英 都是電影 很好看

『肆』 求有關IT業的電影，謝謝各位。。。

IT狂人 The IT Crowd (2006)9.1 英劇，這部強推，真的很好看。
導演：格拉漢姆·萊因漢 主演：克里斯·奧多德 理查德·阿尤阿德 凱瑟琳·帕金森
全劇故事圍繞IT部的叄大狂人鋪開，講盡英式笑話，行為之瘋狂、癲狂、抓狂難有對手，由頭到腳底板，無不噴發出無厘頭的低趣味的很雷人的惡俗之風。

網路驚魂 The Net (1995)7.2 網路上身 | 網路
導演：艾文·溫克勒 主演：桑德拉·布洛克 傑瑞米·諾森 丹尼斯·米勒 ...
講述了一個懸念十足的驚悚故事，有著與眾多驚悚片相似的主題，明顯印著從《西北偏北》、《伸冤記》到《塘鵝暗殺令》的影子。

『伍』 請大夥推薦一些好看的電影，關於IT，計算機，網路之類的。謝謝！

《秋日傳奇》《尼克松》
羅伯特•德尼羅
《遠大前程》
《美國往事》《教父2》
《鬼計神偷》《盜火線》《憤怒的公牛》
達斯丁•霍夫曼
《深海圓疑》《恐怖地帶》
《雨人》《沉睡者》
《畢業生》《午夜牛郎》《小巨人》
阿爾帕西諾
《教父》1、2、3
《聞香識女人》
《盜火線》《魔鬼代言人》
布拉德•皮特

『陸』 有哪些和IT有關的美劇推薦

Chuck，主角就是搞電腦的。

NCIS、NCIS:LA、Criminal Minds，還有所有的CSI，這些偵破隊伍里基本都有IT高手，還是超強的那種。

現在還可以再加個 Scorpion，一群高智商天才用IT技術拯救世界。

和 Intelligence，大腦里植入晶元的超級電腦人，也在拯救世界。

『柒』 有哪些和IT相關的電影、電視劇

和It相關的電視劇有很多，比如黑客帝國了，還有一些關於電子方向的和it方向的電視劇，等等，我們都會通過這些方向來，想自己是不是也可以有黑科技式的國家，對於自己的it行業有很大的豐富的理解。

『捌』 求問 現在有沒有什麼電影是關於資料庫的電影 IT方面的

東野圭吾的白金數據

『玖』 閱讀、電影和音樂的推薦演算法，哪一個更難做

「閱讀、電影和音樂的推薦演算法，哪一個更難做？為什麼？」關於這一問題，小編從諸多網友的回復中為你篩選了最用心、最高贊的回答！快來看看吧~

來看看網名為「幸運的ZLT0502」的網友是怎麼說的：

電影---音樂----閱讀！從我的經驗來看，閱讀是最難做到的，其次是音樂，最簡單的就是電影。當然，是在有很多數據的前提下。從幾個領域的特點來看：1．電影的item數量相對較少，好的電影有很長的生命周期，加上電影社區的用戶行為，視頻網站或預訂網站，都很好獲得，所以特別適合合作過濾。即使這不是一部大熱門電影，你也可以根據導演、類型、明星等製作內容。這些都是結構化的信息，所以沒有難度。音樂的item比電影要多一些，生命周期也非常不同，但它也可以用於基於用戶行為的協同過濾。該演算法如何表達和更新用戶的興趣?如何根據興趣標簽計算推薦結果?至少我沒有看到特別成功的推薦閱讀應用程序。演算法上，都各有難度，但閱讀類的，由於分類太多，在演算法上自然要更加復雜。

來看看網名為「派網友」的網友是怎麼說的：

個人認為無論是基於用戶行為（協同過濾），還是基於內容相似度的推薦演算法，難度從高到底都依次是：音樂-閱讀-電影。

對於ID為「樓船吹笛雨瀟瀟」網友的精彩回答，大家紛紛點贊支持，他是這么說的：

我覺得是各有所難，並不能說哪個難，哪個容易。推薦的成功率：公共決策對推薦的影響：判斷價值的建議：三者各有難度，但是個人在長期的習慣中可以對其中一種或者多種情景中加以選擇和實踐，但這也不是一蹴而就的事情，慢慢來吧。

你贊同哪位網友的觀點呢？