超级会员免费看
本文探讨LFM隐语义模型在矩阵分解中的应用，针对评分数据进行处理，通过余弦距离计算用户和物品的相似度。在实际操作中，作者发现直接将余弦距离乘以评分或进行归一化可能效果不佳，同时指出LFM在冷启动和正负样本均衡问题上的挑战。文章提到推荐系统中可能存在的问题，如未考虑召回率，以及高维度矩阵可能导致的实时推荐困难。最后，作者分享了相关学习资源和讨论群信息。
前情提要：某BAT大牛亲授个性化推荐算法？？？
关于这个玩意我看了下，网上搜索的都是导向其他小众连接，很多水军，注册购买才能看，真是垃圾。
原是在慕课网的，现在都过去一年啦，还是那个价格，很多公开的要么是代码不全，要么没有视频，或者根本没法看。
更有欺骗者，写着百度网盘下载，其实点击根本不是百度网盘，是其他小网站。
有的下载后要解压密码，我去年买了个表，要么给要么不给，真像bitch
正文：
看了LFM矩阵分解，大牛的做法是将评分大于等于4的视为偏好喜欢，小于则视为不喜欢，从而设置标签1和0，这种做法看似要进行分类或借鉴分类的方法来做，其实不是，大牛又采用了余弦距离用于user/item向量，使得结果恰好在[0,1]之间，这种做法总感觉不是那么好。选用数据集为movielens，也不知道是哪个版本，100k，1M，10M？？反正与现在官网的存储格式都不一样。
我的做法：既然评分是1~5之间的正数，何不将余弦距离再乘以5，或者将评分进行最大值归一化。
但结果有点不大好，且看如下：迭代1000次
订阅专栏 解锁全文
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
