基于隐语义模型的推荐算法的原理

隐语义模型（LFM）和LSI，LDA，Topic Model其实都属于隐含语义分析技术，是一类概念，他们在本质上是相通的，都是找出潜在的主题或分类。
这些技术一开始都是在文本挖掘领域中提出来的，近些年它们也被不断应用到其他领域中，并得到了不错的应用效果。

LFM算法的核心是将user-item（M*N）矩阵分为俩个矩阵P（M*F）,Q（F*N）：

• P矩阵反映了用户对于各个类别的兴趣
• Q矩阵反映了物品属于各个类别的比重

其中F是我们推测的隐分类的个数

如何将原矩阵分为P，Q两个矩阵？

本质来说，这是一个最优化问题：

前面部分是平方损失，而后面的部分是正则化项（防止过拟合）
至于求解的方法，就是降低损失函数，一般最常用的是梯度下降，具体求解网上有很多解释，再次不做赘述

而推荐方法就是计算最终PQ矩阵的乘积，然后将其中用户没有行为评分较高的物品推荐给他

这里有个疑问是，为什么我只是对原先的矩阵进行拟合，就能够为我推荐新的物品？

因为我们原先的操作已经对我们的喜好有了一定的描述，对于没有行为物品我们也对它都由一个隐藏的评估，用机器学习的视角看，这就是模型的参数选择问题，通过拟合已知数据，我们就能够预测未知数据