摘要：先验概率（prior probability): 对一个假设（hypothesis)/事件 发生已知的概率，记为P(h)。如： 抛一枚硬币，证明朝上的先验概率是 P(h) = 0.5后验概率（posterior probability): 在特定数据/情景下，某事件发生的概率， 记为P(h|d).P(D): 某事/条件出现的概率P(D|h): 在h发生时， 某事出现的概率。贝叶斯公式： P(h|D)= ( P(D|h) * P(h) ) / P(D) 或 P(B|A) = P(AB)/P(A) , 在做分类时，由于P(D)都是一样的，所有可以不计算, P(h|D)≈ P(D|h) * P(h) 阅读全文

摘要：书接上文推荐学习笔记-协同过滤显式数据： 用户的评分，like or unlike等隐式数据： 用户点击，购买记录，在某个页面停留时间，播放次数等调整的余弦相似度：，对于用户每个评分都要减去该用户平均评分作为他的最终评分，然后计算相似度Slope One:解释是一个物品别人的评分比另一个物品高，那给你的预测也是如此。分两步：第一步，算出所有物品两两之间的偏差(deviation)。 第二步，做出预测，比如你评分A为3分，而B物品评分比A高一分，所以预测你对B物品的评分是4分。第一步计算的公式是用户对j物品的评分减去i物品的评分之和 除以对这两物品评分的用户总数。card(Sj,i(X)) 是同 阅读全文

摘要：协同过滤是推荐系统中用的比较多的算法，也是容易理解较简单的算法，而且效果也不错。协同过滤又分为：item-based collaborative filtering: 喜欢这个物品的人还喜欢什么， 代表有amazonuser-based collaborative filtering: 和我相似的人还喜欢什么， 代表有digg两种方法计算类似，先要找出相似的item或user。计算相似度（距离）的方法也不少，列举一下：(参考http://www.chinaz.com/web/2011/1008/212684.shtml）曼哈顿距离：∑|xi- yi|, 就是每个维度之差相加欧几理德距离： sq 阅读全文

摘要：正交矩阵： 它的转置矩阵就是它的逆矩阵， QTQ = QQT= I对角矩阵： 方阵M所有非主对角线元素全等于零的矩阵。 （主对角线元素： 元素两个下标相等）svd， 奇异值分解： 矩阵M = UΣVT， U和V是正交矩阵，Σ是非负对角阵，Σ对角线上的元素即为M的奇异值。M 是m*n, U是m*m,Σ是m*n, VT是n*n特征值与特征向量：Αξ =λξ,在变换的作用下，向量仅仅在尺度上变为原来的倍。称是A的一个特征向量，是对应的特征值。所有具有相同的特征值的特征向量和零向量一起，组成了一个向量空间，称为线性变换的一个特征空间。特征值分解： A是N*N方阵， 且有N个线性无关的特征向量， A = 阅读全文