如何用深度学习推荐电影？教你做自己的推荐系统！

for movie in movies:

(URL[i], IMDB[i]) = get_poster(movie, base_url)

i += 1

images = ''

for i in range(n_display):

images += "<img style='width: 100px; margin: 0px; \

float: left; border: 1px solid black;' src='http://ai.51cto.com/art/201705/%s' />" \

% URL[i]

display(HTML(images))

好玩的来了！让我们来搜刮一个片子并看看四个最类似的推荐。让我们试着搜刮《盗前哨》，在左手边第一个，后面是四部推荐的片子。

《盗前哨》是1995年上映的一部美公法法片子，由罗伯特·德·尼罗、阿尔·帕西诺主演。搜刮结不雅看起来不错。但《分开拉斯维加斯》可能不是一个好的建议，我猜原因是因为片子《勇闯夺命岛》里有尼古拉斯·凯奇，《The Rock》，以及对爱好《盗前哨》的不雅众而言，它是一个不错的推荐。这可能是类似性矩阵和协同过滤的缺点之一。让我们尝尝更多的例子。

因为新上映的片子没有太多的应用数据，指望协同过滤向用户推荐任何新片子很不实际。

在前面的评论辩论中，我们简单地计算了用户和片子的余弦类似度，并以词攀来猜测用户对片子的评分，还根据某片子推荐其它片子。如今，我们可以把问题做为一个回归问题；对所有的片子参加潜在特点y，对所有效户参加权重向量x。目标是将评分猜测的（在 2-norm 的┞俘则化前提下）MSE最小化。

雷锋网 ("大众,"号：雷锋网) 提示：权重向量和特点向量都是决定计划变量。显然，这不是一个凸函数问题，如今也不须要过分担心┞封个非凸函数的收敛性。有很多办法能解决非凸函数的优化问题。办法之一就是以瓜代方法（）解决权重向量（对用户）和特点向量（对片子）。处理权重向量时，假设特点向量是常向量；处理特点向量时，假设权重向量是常向量。解决这个回归问题的另一种办法，是将权重向量与特点向量的更新结合起来，在同一个迭代中更新它们。别的，还可以借助随机梯度降低来加快计算。这里，我用随机梯度降低来解决这个回归问题，我们的MSE猜测如下：

在推荐体系中有几种应用深度进修的办法：

这个MSE比用类似性矩阵获得的，要小得多。当然，我们也可以应用网格搜刮和交叉验证对模型、算法调参。再看看片子搜刮的推荐：
看起来并不是很好。我认为这四部片子不该该经由过程搜刮《盗前哨》推荐给我，他们看起来竽暌闺《盗前哨》完全不相干，这四个片子是浪漫、戏剧类。如不雅我找的是一部有大年夜明星的美公法法片子，我凭什么会想要看戏剧片子? 这让我很困惑——一个好的MSE的结不雅可能会给我们一个风马牛不相干的推荐。
是以，我们评论辩论一下基于协同过滤的推荐体系的弱点。
- 协同过滤办法经由过程应用数据，来发明类似的用户和片子，这将导致热点片子比小众片子更轻易被推荐。
- 接下来，我们将推敲采取另一种办法来处理协同过滤问题——用深度进修推荐片子。
  深度进修
  我们将在Keras顶用VGG16来练习神经收集。我们的数据集中没有目标，只是将倒数第四层作为一个特点向量。我们用这个特点向量，来描述数据集中的每一个片子。雷锋网提示，在练习神经收集之前，还须要做一些预处理，练习过程如下。
```
df_id = pd.read_csv('links.csv', sep=',') 
idx_to_movie = {} 
for row in df_id.itertuples(): 
idx_to_movie[row[1]-1] = row[2] 
total_movies = 9000 
movies = [0]*total_movies 
for i in range(len(movies)): 
	
			 3/5   首页 上一页 1 2 3 4 5 下一页 尾页	
			

　　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 
```