使用深度学习建立电影推荐系统

你看过《盗梦空间》吗？是否被影片中的梦中梦烧脑，或是想象现实世界中物品能否像电影中那样漂浮在空中？至少目前我们没有办法使物体悬浮在空中，但是，数据科学家可以将python向量映射到多维空间。

 

本文将为介绍一个电影推荐系统，在推荐系统中，有许多电影向量悬浮于多维空间。同时，本文介绍的推荐系统无需租用服务器、编写代码、抓取数据或网页维护等繁杂的工作，非常容易上手。此外，你还可以将其扩展到社交网络、股票、运动员、电视节目、书籍等领域。想象一下，众多实例都会被映射到多维矢量空间，一览无余，那时多么直观啊。

 

你可以点击该链接预览我们的电影推荐系统。

 

学习本文需要满足以下条件：对新概念的好奇心，渴望部署自己的Web应用程序。

 

同时，你最好对这些知识有所了解：word2vec嵌入，神经网络，Tensorflow，Github和推荐系统。

 

工具/概念：

1.Embedding：将高维向量投射到低维稠密向量空间。由于表示图像/单词的像素或标记特征可能需要数百万个参数，因此我们需要定义一种受限统一结构，以此作为ML模型的输入。在对高维或大量特征进行建模以导出受限数据大小模式时，通常会遇到维数灾难，即模型无法从输入数据中提取相关模式。通常我们会使用主成分分析（PCA），TSNE或L1正则化等方法进行降维，但是对于极高维度和稀疏数据集（如Wikipedia语料库中的数百万个标记），基于神经网络的嵌入可以很好的提取相关属性。

 

嵌入能够捕获标记或像素之间的语义相似性，并将其投影到向量空间中。例如，我们知道“费德勒”和“网球”之间存在密切关联，那么在100维嵌入空间中，“费德勒”比“特朗普”更接近“网球”。

 

图示如下：