LFM_隐语义模型_laten factor model

LFM前世今生

源于SVD(奇异值分解)方法的改进，传统svd是线性代数典型问题；
SVD可用于矩阵评分矩阵的补全，但由于计算量过大，实际上只适用于规模很小的系统

Simon Funk 改进SVD（Funk-SVD），后来被称为LFM

LFM
关键公式
LFM通过如下公式计算用户u对i的兴趣

这个公式中 p_uk 和 q_ik 是模型的参数，其中p_uk度量了用户u的兴趣和第k个隐类的关系，而q_ik度量了第k个隐类和物品i之间的关系。那么，下面的问题就是如何计算这两个参数。

选择一个训练集，用适当的数学计算出上述公式里待确定的权重。

隐语义模型的适用性
LFM可以很好的解决人工分类产生的问题
不能存在编辑的主观评判或专业因素限制，所有的分类和权重都来自于算法对用户数据的客观统计分析，只存在这模型适用性的问题。

关于训练集

对负样本采样时应该遵循以下原则：
对每个用户，要保证正负样本的平衡（数目相似）
对每个用户采样负样本时，要选取那些很热门，而用户却没有行为的物品

Q：p_u1,p_u2…,q_i1,q_i2都是未知，如何求出？
常见的求解方法
1：最大似然（类似于训练贝叶斯信念网络和EM算法）
2：转化为求解损失函数极小值的问题

r_ui，lamda 已知 p_uk,q_ik未知 p_u,q_i向量

LFM重要参数
模型中隐特征个数
梯度下降法中选取学习速率
损失函数中的惩罚系数lambda
训练集的负样本/正样本比例ratio