隐语义模型

　　自从Netflix Prize比赛举办以来，LFM(latent factor model)隐语义模型逐渐成为推荐系统领域耳熟能详的名词．其实该算法最早在文本挖掘领域被提出，用于找到文本的隐含语义．相关的名词有LSI, pLSA, LDA和Topic Model．本节将对隐含语义模型在Top-N推荐中的应用进行详细介绍，并通过实际的数据评测该模型．

一，基础算法

　　它的核心思想是通过隐含特征(latent factor)联系用户兴趣和物品.如豆瓣上图书推荐

　　编辑给出的分类仍然具有以下缺点：

　　　　编辑的意见不能代表各种用户的意见

　　　　编辑很难控制分类的粒度

　　　　编辑很难给一个物品多个分类

　　　　编辑很难给出多维度的分类

　　　　编辑很难决定一个物品在某一个分类中的权重

　　为了解决上面的问题，研究人员提出：为什么我们不从数据出发，自动地找到那些类，然后进行个性化推荐？于是，隐含语义分析技术(latent variable analysis）出现了．隐含语义分析技术因为采取基于用户行为统计的自动聚类，较好地解决了上面提出的５个问题．