引入:
假设用户物品评分矩阵位R,现在有m个用户,n个物品
我们想要发现K个引雷,我们的任务就是找到两个矩阵P和Q,使这两个矩阵的乘积近似等于R,即将用户物品评分矩阵R分解称为两个低维矩阵相乘:
进一步理解LFM
我们可以认为,用户之所以给电影打出这样的分数,是由内在原因的,我们可以挖掘出影响用户打分的隐藏因素,进而根据未评分电影与这些隐藏因素的关联度,决定此未评分电影的预测评分。
应该有一些隐藏的因素,影响用户的打分,比如电影,演员,题材,年代,,,甚至不一定是人,
直接可以理解的隐藏因子。
找到隐藏因子,可以对user和item进行关联(找到是犹豫什么使得user喜欢/不喜欢此item,什么会决定user喜欢/不喜欢item),就可以推测用户是否喜欢某一部未看过的电影。
例如:对于用户看过的电影,会有相应的打分,但一个用户不可能看过所有电影,对于用户没有看过的电