① 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。
② 如何將基於hadoop的電影推薦系統的推薦結果用網頁面顯示出來
一般主要為： 演算法思想 基本構架 運行流程 任務力度
③ 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。
④ 電影推薦系統中電影類型怎麼弄
建軍大業
9.4分加入收藏
主演：劉燁朱亞文黃志忠王景春
導演：劉偉強
類型：動作戰爭其它
時長：127分鍾
年代：2017
地區：內地
語言：漢語普通話
簡介