电影矩阵X表（通常指用户-项目评分矩阵）的数值来源于用户对电影的实际评分行为，如打分、点击、观看时长等交互数据。

初始化

我也是不想换版本，因为1.x迟早会像py2.x那样被淘汰。

2.0以上版本把代码改为：

optimizer = tf.compat.v1.train.AdamOptimizer(1e-4)

train = optimizer.minimize(loss)

# 需要将TensorFlow版本设置为1.x

%tensorflow_version 1.x

import tensorflow as tf

tf.__version__

summaryMerge=tf.compat.v1.summary.merge_all(); 用这个

https://docs.google.com/spreadsheets/d/1FLFJLzg7WNP6JHODX5q8BDgptKafq_slHpnHVbJIteQ/edit#gid=0

遇到问题用上面的网址一个个对照过来——百度了三个小时才解决呜呜呜

同问同问

更新到最新版本的 Microsoft Visual C++ 

网速慢？那就用热点呀

版本问题

在2.x 版本中应为 tf.random.normal

# 我改成了这样可以运行
for i in range(m):
    #获取一部电影评分用户的id
    ids = np.nonzero(record[i])[0]
    #ids = record[i,:] != 0 
    rating_mean[i] = np.mean(rating[i,ids])
    #rating_norm[i,ids] -= rating_mean[i]
    rating_norm[i,ids] = rating[i,ids] - rating_mean[i]
    print("The row is {},mean rating is {},rating user size is {}"
    .format(i,rating_mean[i],ids.shape))

我把整个过程迭代了10000次   num_feature设置为100    最后errors确实随着迭代次数减少 但是每次对同一个用户的推荐结果还是完全不一样?

不太懂，前面说内容矩阵X和用户喜好矩阵Theta相乘就是完整的评分表了，我猜测这里加平均分可能是为了让数据好看一点，因为电影类型num_features他直接默认设置的10，当实际的类型远大于10的时候，计算出来的评分值会偏小，我试过，可能只有0.几的评分。所以当找到一个合适的num_features之后不加平均分，出来的值就是正常的，加上平均分反而超过评分的最高值了。他前面评分最高就5分，结果出来5.好几，这不是扯呢么

原始条件只需要用户评分表这一张表就好了。用户喜好矩阵和电影内容矩阵都是要求解的对象。

解决了，直接用excle修改.csv 文件，用其中rank函数进行对应排序

你百度一下数据集就好了，挺多的

recall=  用户所需/用户购买总个数