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