【推荐系统（二）】协同过滤之隐语义模型（LFM）

基于用户行为分析的推荐算法一般称为协同过滤算法。所谓协同过滤，就是指众多的用户可以齐心协力，通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。常见实现方法的包括：

1. 基于邻域的方法
2. 隐语义模型
3. 基于图的随机游走算法

本文主要讲解隐语义模型（LFM），它的核心思想是通过发掘隐含特征(latent factor) 来完成推荐任务。

一、引例

在讲解LFM之前，先看个例子：

喜欢看视频的用户都有自己的喜好标签，这些标签的粒度可大可小，例如战争和李云龙就是粒度不同的标签。现在假设一个理想的情况：

1. 已知用户对不同标签的兴趣程度
2. 每个视频都具有不同的标签，且每个标签占比已知

那么就可以得到：

1，用户潜在因子矩阵，例如：

	军事	娱乐	时政	历史	李云龙
用户A	0.7	0.3	0.4	0.8	0.8
用户B	0.8	0.4	0.6	0.7	0.1
用户C	0.5	0.6	0.7	0.3	0.3

矩阵中的数值表示不同用户对于不同标签的偏好程度，1.代表绝对喜欢，0.代表不喜欢。

2，视频潜在矩阵

	军事	娱乐	时政	历史	李云龙
视频A	0.8	0	0.4	0.8	1
视频B	0	0.8	0	0.7	0
视频C	0.5	0	0.7	0.6	0

矩阵中的数值表示每种视频包含各种标签的成分。

利用上面的两个矩阵，就可以推算用户A对视频A的喜欢程度，即：

用户A对军事的偏好 * 视频1含有军事成分 + ……(依次类推相乘相加)，得到：0.7 * 0.8+0.3 * 0+0.4 * 0.4+0.8 * 0.8+0.8 * 1=2.16

同理，可以得到所有用户对所有视频的喜爱程度：

	视频A	视频B	视频C
用户A	2.16	0.8	1.11
用户B	1.13	0.81	1.24
用户C	1.16	0.69	1.02

因此，我们推荐用户A的视频是A，对用户B推荐的视频是C，对用户C推荐的视频是A。

这个推荐过程其实很好理解，但是有下面的问题：

1，需要计算用户对不同标签的喜爱程度。

2，需要给每个视频打不同粒度的标签。

3，需要计算不同标签在视频中的占比。

后面的2个问题难免需要一些人工标记，费时费力，且受主观因素影响大。为此， LFM 提出了一个相对简单的解决方案。

二、LFM

主要思想

LFM的思想与上面的例类似，通过下面的公式计算用户 u 对物品 i 的感兴趣程度：
$$Preference(u,i)=r_{ui}=p_u^T{q}_i=\sum _{k=1}^F{p}_{u,k}{q}_{i,k}$$
式子中，参数 p u , k p_{u,k} p