隐语义模型

隐语义模型（LFM）

核心思想：通过隐含特征联系用户兴趣和物品。

我的理解是LFM 就是对物品基于权重进行分类，并同时依据用户对每一类的兴趣来确定用户感兴趣的物品。看似是把一个大问题分解成了两个小问题。

基于兴趣分类的方法大概需要解决三个问题：

1. 如何给物品分类
2. 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度
3. 对一个给定的类， 选择哪些属于这个类的物品推荐给用户，以及如何确定这些物品在一个类中的权重。

对于第一个问题，采用隐含语义分析技术。该技术采取基于用户统计行为的自动聚类。
对于第二个问题，LFM 通过如下公式计算用户u对物品i 的兴趣：

$${\rm Perference}(u,i)=r_{ui}=p_{u}^{T}q_{i}=\sum_{k=1}^{F}p_{u,k}q_{i,k}\hspace{3cm} (1)$$
其中， $p_{u}=(p_{u,1},p_{u,2},...,p_{u,k})^{T}$, $q_{i}=(q_{1,i},q_{2,i},...,q_{k,i})^{T}$, $p_{u,k}$度量了用户 $u$的兴趣和第 $k$个隐类的关系，而 $q_{i,k}$度量了第 $k$个隐类和物品 $i$之间的关系。我们看到只要这两个参数求出来了，那么 $u$对 i