简介

similarity_user = train_matrix.dot(train_matrix.T) + 1e-9 
norms = np.array([np.sqrt(np.diagonal(similarity_user))]) 
similarity_user = ( similarity_user / (norms * norms.T) ) 
similarity_movie = train_matrix.T.dot(train_matrix) + 1e-9 
norms = np.array([np.sqrt(np.diagonal(similarity_movie))]) 
similarity_movie = ( similarity_movie / (norms * norms.T) ) 

几乎所有人都爱好与家人、同伙一路不雅看片子度过闲暇时光。大年夜家可能都有过如许的体验：本想在接下来的两个小时里看一个片子，却坐在沙发上坐了20分钟不知道看什么，选择艰苦症又犯了，结不雅好心境也变得沮丧。所以，我们很须要一个电脑代劳，在做遴选片子的时刻供给推荐。

如今，片子智能推荐体系已经成为日常生活中的一部分。

Data Science Central 曾表示：

“固然硬数据很难获得，但知恋人士估计，对亚马逊和Netflix如许的大年夜型电商平台，推荐体系为它们带来高达10%至25%的收入增长”。

成功找到了蜘蛛侠！

在这个项目中， 我研究了一些针对片子推荐的根本算法，尝尝试精深度进修融入到片子推荐体系中。

把娱乐与视觉艺术相结合，片子是一个很好的例子。片子海报可以直接、快速地把片子信息传达给不雅众。Design Mantic表示：“不论上映前后，片子海报都是创造噱头的重要身分。多半的人（目标不雅众）都根据海报来决定买不买票，看不看片子。”我们甚至可以仅仅根据海报字体，来推想这个片子的情感。

这听起来竽暌剐点像魔术——但看一眼海报就猜测出片子的类型，切实其实是可能的。就拿我来说，瞟一眼海报就知道我想不想看这个片子了。举个例子，我不是卡通迷，一看到有卡通主题海报，就知道不是我的菜。这个决定计划的过程很直接，并不须要浏览片子评论（不肯定谁真的有时光读那些评论）。是以，除了标准的片子推荐算法，我还用了深度进修来处理海报，并将类似的片子推荐给用户。最注目标是模仿仁攀类视觉，并仅仅经由过程不雅察海报，就能用深度进修创建一个直不雅的片子推荐体系。该项目是受到Ethan Rosenthal博客启发。我对他博客里的代码进行了修改，以适应这个项目标算法。

我们用的是大年夜 MovieLens 下载的片子数据集。他包含9066个片子和671名用户，分成了100000个打分和1300个标签。这个数据集最后更新于10/2016.

协同过滤

粗略地说，有三种类型的推荐体系（不包含简单的评级办法）

• 基于内容的推荐

• 协同过滤

• 混淆模型

“基于内容的推荐”是一个回归问题，我们把片子内容作为特点，对用户对片子的评分做猜测。

而在“协同过滤”推荐体系中，一般无法提前获得内容特点。是经由过程用户之间的类似度（用户们给了用一个片子雷同的评级）和片子之间的类似度（有类似用户评级的片子），来进修潜在特点，同时猜测用户对片子的评分。此外，进修了片子的特点之后，我们便可以衡量片子之间的类似度，并根据用户汗青不雅影信息，向他/她推荐最类似的片子。

“基于内容的推荐”和“协同过滤”是10多年前最先辈的技巧。很显然，如今有很多模型和算法可以进步猜测效不雅。比如，针对事先缺乏用户片子评分信息的情况，可以应用隐式矩阵分化，用偏好和置信度代替用户片子打分——比如用户对片子推荐有若干次点击，以此进行协同过滤。别的，我们还可以将“内容推荐”与“协同过滤”的办法结合起来，将内容作为侧面信息来进步猜测精度。这种混淆办法，可以用“进修进行排序”（"Learning to Rank" ）算法来实现。

该项目中，我会聚焦于“协同过滤”办法。起首，我将评论辩论若何 不应用回归， 而是 片子（用户）类似度来猜测评分 ，并基于类似度做片子推荐。然后，我将评论辩论若何 应用回归同时进修潜在特点、做片子推荐 。最后会谈谈 如安在推荐体系中应用深度进修 。

片子类似性

对于基于协作过滤的推荐体系，起重要建立评分矩阵。个中，每一行表示一个用户，每一列对应其对某一片子的打分。建立的评分矩阵如下：

df = pd.read_csv('ratings.csv', sep=',') 
df_id = pd.read_csv('links.csv', sep=',') 
df = pd.merge(df, df_id, on=['movieId']) 
rating_matrix = np.zeros((df.userId.unique().shape[0], max(df.movieId))) 
for row in df.itertuples(): 
rating_matrix[row[1]-1, row[2]-1] = row[3] 
rating_matrix = rating_matrix[:,:9000] 

这里“ratings.csv”包含用户id，片子id, 评级，和时光信息；"link.csv"包含片子id, IMDB id,和TMDB id。每一个片子应用 API 大年夜 Movie Databasewebsite 获得海报，都须要 IMDB id——是以，我们将两缸莨狁浇忧⒔一路。我们考验了评分矩阵的稀少性，如下：

　　推荐阅读

　　如何使用WhatsApp收集大量数据（附脚本）

脚本下载 【编辑推荐】亚信安然成功抵抗全球第一只勒索蠕虫WannaCry收集病毒入侵！国度网信安然中间教你如许做前端安然之XSS进击收集安然始创公司存活之道小议验证码的安然性及若何绕过【义>>>详细阅读

本文标题：如何用深度学习推荐电影？教你做自己的推荐系统！

地址：http://www.17bianji.com/lsqh/35259.html

 1/2    1