① 学IT的，写了一个电影推荐系统，但是为什么评分预测值大于五
全文以“预测电影评分”例子展开
r(i,j)=0则表明user_j没有对movie_i 没有评分，
推荐系统要做的就是通过预测user_j对这些movie {i|r(i,j)=0}的评分来给user_j 推荐其可能会喜欢的电影<预测评分较高的movie>
=======================================二、基于内容的推荐=======================================
对每个movie_i引入特征x(i)=(x1, x2)，这种特征可能表明user对movie类型的偏好：浪漫or动作等
对于每个user引入一个参数theta，然后对评分矩阵的每列(对应一个user)做线性回归，数据是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}
像机器学习一样，x(i)添加个1变量x(i)=(1, x1, x2)
那么对于未评分的movie_t，我们可以使用线性回归训练的参数theta与对应特征x(t)做内积来得到其预测评分
对每个用户都训练一个参数theta_j，优化模型如下：
优化算法：注意正则项是不约束x(i)=(1, x1, x2)中1对应的参数theta的第一项theta0，所以k=0与k=1,2分别对待
=======================================三、协同过滤=======================================
现在换个角度：如果知道theta for all user j，如何来预测x(i) = (x1, x2) all i
仍然可以使用线性回归，为训练每个x(i)，需要评分矩阵的第i行数据{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}
theta_j = (0, theta1, theta2) ；theta1=5说明user_j喜欢romance类movie， theta2=5说明user_j喜欢action类movie，只能有一个等于5哦，
我觉得也可以是：theta_j = (0, 4, 1) ；喜欢romance 4 action 1.
对应的优化：
协同过滤：交替优化theta与x
=========================================四、协同过滤算法=======================================
优化：
优化：注意去掉了theta和x的添加项
=========================================五、实现细节补充=======================================
实现细节：
如果有user没有对任何电影评分或者所有评分的电影都是0分，那么所学习到的参数是零向量，
则预测都是0值，这是不合理的。通过 将评分矩阵减去其行均值再进行线性回归来“避免”这种情况
=========================================六、一点思考==========================================
协同过滤那块，同时优化theta、x，这样得到的theta、x还有特定的意义<比如：x是否还表征对影视类型的喜爱与否>没有？
回归中，在x数据上不添加1-feature是不是因为后来引入的平均值化；如果不是，那会对结果有什么影响？
用x-feature来表征一个movie，x-feature的各分量的可解释性；应该会有一部分user应为演员的缘故有一些"偏爱"。
这里，讲的"基于内容的推荐"与"协同过滤"跟以前对这两个词的认识/所指内容不同，查清楚、搞明白。
这周还会再更一篇关于此节课的算法实现，会对上述部分问题做出回答。
② 如何将基于hadoop的电影推荐系统的推荐结果用网页面显示出来
一般主要为： 算法思想 基本构架 运行流程 任务力度
③ 模拟一个基于朋友圈的电影推荐系统。 设定目前微信总用户有1000人，每个人均有自己的朋友圈，每个人
你这种要花大劳动力的不是100财富值能解决的。还是去相关的雇佣网站上发布需求吧。价格估计不低。
④ 电影推荐系统中电影类型怎么弄
建军大业
9.4分加入收藏
主演：刘烨朱亚文黄志忠王景春
导演：刘伟强
类型：动作战争其它
时长：127分钟
年代：2017
地区：内地
语言：汉语普通话
简介