在基于内容的推荐系统中，如何判断per-user而不是per-rating？
In a content-based recommender systems, how to judge per-user rather than per-rating?
我正在学习 Coursera 上 Andrew Ng 课程中的推荐系统，这个问题突然出现在我的脑海中。
在课程中，Andrew 会像 Netflix 一样推荐电影。
我们有一个 output 矩阵 Y 各种电影的评分，其中每个单元格 Y(i,j) 是用户 j 对电影 [=13] 的评分=].如果用户还没有评价，Y(i,j)=?
假设我们正在进行线性回归，我们进行了以下最小化 objective：
我的问题是，这不是按评分计算的吗？与此一样，所有评级都是平等的。所以如果有人给 100 部电影打分，他对算法的影响比只给 10 部电影打分的人更大。
我想知道是否可以在每个用户的基础上进行判断，即所有用户都是平等的。
绝对可以使用 weight = 1/ratings_for_user[u] 或 weight = 1/sqrt(ratings_for_user[u]) 将权重应用于损失函数。其中 ratings_per_user[u] 是在您的特定样本中给出评分的用户的评分数。这是否是个好主意是另一个问题。
要回答这个问题，我首先要问这个问题：这对您真正要解决的问题是否更有意义？如果是，作为第二个问题：你构建的模型是否运行良好？它的交叉验证得分高吗？
我正在学习 Coursera 上 Andrew Ng 课程中的推荐系统，这个问题突然出现在我的脑海中。
在课程中，Andrew 会像 Netflix 一样推荐电影。
我们有一个 output 矩阵 Y 各种电影的评分，其中每个单元格 Y(i,j) 是用户 j 对电影 [=13] 的评分=].如果用户还没有评价，Y(i,j)=?
假设我们正在进行线性回归，我们进行了以下最小化 objective：
我的问题是，这不是按评分计算的吗？与此一样，所有评级都是平等的。所以如果有人给 100 部电影打分，他对算法的影响比只给 10 部电影打分的人更大。
我想知道是否可以在每个用户的基础上进行判断，即所有用户都是平等的。
绝对可以使用 weight = 1/ratings_for_user[u] 或 weight = 1/sqrt(ratings_for_user[u]) 将权重应用于损失函数。其中 ratings_per_user[u] 是在您的特定样本中给出评分的用户的评分数。这是否是个好主意是另一个问题。
要回答这个问题，我首先要问这个问题：这对您真正要解决的问题是否更有意义？如果是，作为第二个问题：你构建的模型是否运行良好？它的交叉验证得分高吗？