HFT算法

原文链接：
https://www.zhihu.com/question/56347440/answer/151561680

HFT

​ ​ HFT算法(Hidden Factors as Topics，是一个用评论文本来增强评分预测的算法）

​ ​ 目前存在的推荐算法，主要关注于利用用户的评分历史和隐式反馈信息训练模型，而忽略了一项常见的用户反馈——评论。用户对商品进行的评论，既能反映用户偏好，又能体现商品的某些属性，其中蕴含着大量有价值的信息。

​ ​ 将经典的rating-prediction model 或 item-ranking model与一个能利用评论信息的模型相结合，会产生一个更加强大的推荐模型。它不仅可以进行更加精确的预测，同时能利用来自评论的信息使推荐具有良好的解释性，进而能在一定程度上缓解冷启动问题。例如，可以利用评论信息对矩阵分解模型中的特征向量赋予明确的含义，当某个不活跃用户的特征向量在“Tom Hanks”上具有较高值时，可以顺理成章地为其推荐“Forrest Gump”。本文介绍的算法HFT [1]，就是一个将评分模型与评论模型相结合的经典算法，在LibRec中有本算法的实现代码。

HFT 模型

​ ​ HFT 模型由两部分组成 : rating model 和 topic model。其中rating model部分选用的模型是BiasedMF；topic model部分选用的模型是LDA，将每个item所有的评论表示为一个document。如何将rating model与topic model关联在一起，是构建模型的关键问题。HFT使用的关联方式是，定义一个转换函数将BiasedMF中的item feature vector γ 与LDA中每个document对应的topic分布 θ 联系在一起 （HFT的另一种实现方式是将user feature vector与topic distribution关联）。这种关联方式正体现了HFT的基本思想“Hidden Vectors as Topics”。

​ ​ 更具体来说，HFT的基本思想为: item feature vector与此item对应的topic distribution中各项具有关联关系；且item的某种属性程度越高，此属性对应的topic在评论中出现的概率也越大，即feature vector中某一项的值越大，其在topic distribution中对应项的值也越大。

​ ​ 为满足HFT的基本思想，其转换函数需要满足以下两点要求 :

1. 允许 γ 中各项可取任意实数值的同时，保证 θ 是一个概率分布向量，即 θ 中各项非负且小于等于1，各项累加和为1。
2. 保证 γ 与 θ 各对应项在各自向量中的大小位序相同。例如 γ 中最大值项对应的topic，在 θ 中也具有最大值。

​ ​ 根据这两项约束，文章中为HFT定义的转换函数如下所示 :

​ ​​ HFT 的图模型表示形式如下，其中M表示item的数量，N表示user的数量，L表示document的长度，K表示topic的种类数; 左半部分为LDA表示的topic model，右半部分为BiasedMF表示的rating model；蓝色虚线箭头对应item feature vector到topic distribution的转换。

​ ​ 模型的目标函数，也是由rating model 和 topic model 两部分的目标函数构成:

模型学习

​ ​ BiasedMF 在训练时常用的学习算法为gradient descent，而LDA在训练时常用的方法为Gibbs Sampling，当这两种模型结合在一起时，整体模型的最优化过程就需要交替的完成这两个步骤：

1. 对前述定义的目标函数使用L-BFGS更新参数
2. 根据更新的参数计算两个分布向量θ与φ，对每个word分配的topic进行重新采样

​ ​ 当模型训练好后，即可使用user feature vector与item feature vector的内积进行评分预测。