基于隐语义模型的推荐系统

如何根据上边两位豆瓣用户的图书列表做出推荐？

传统的推荐方法

UserCF，首先需要找到和他们看了同样书的其他用户，然后给他们推荐那些用户喜欢的其他书。

ItemCF，需要给他们推荐和他们已经看的书相似的书。

基于隐语义模型

通过矩阵分解建立用户和隐类之间的关系，物品和隐

类之间的关系，最终得到用户对物品的偏好关系。

隐语义模型（LFM）

假设我们想要发现 F 个隐类， 我们的任务就是找到两个矩阵 U 和 V，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 分解成为两个低维矩阵相乘，如下所示:

然后定义损失函数，利用随机梯度下降法处理损失函数，求出U和V。

1、利用隐语义模型主要解决了以下问题

• 分类的可靠性。分类来自对用户行为的统计，代表了用户对物品分类的看法。

• 可控制分类的粒度。允许我们自己指定有多少个隐类。

• 将一个物品多类化。通过统计用户行为来决定某物品在每个类中的权重。

2、通过举例理解隐语义模型

其中P矩阵是user-class矩阵，矩阵值Pij表示的是user i对class j的兴趣度；Q矩阵式class-item矩阵，矩阵值Qij表示的是item j在class i中的权重，权重越高越能作为该类的代表

T