运用领域：
序列推荐，即进行集合分析时，不但要考虑用户交互过什么物品，还要考虑用户交互这些物品的顺序。
方法简介：
综合了FISM模型(Factored Item Similarity Models)和马尔可夫链两种方法。
马尔可夫猜想大致可以理解为：当前状态只和前几个状态有关（短时性）
符号表（Notations）：
出现了一些新的符号，解释如下：
：用户u的交互序列，按照交互先后顺序排序。
意为用户u第t个交互的物品。
L：马尔可夫链的长度，即每次进行状态预测时最多考虑前L个状态。
两个关于马尔可夫链的权重：
：描述马尔可夫链中状态对当前状态的影响大小，即权重大小。
：描述马尔可夫链中状态对某个用户当前状态的影响大小，即权重大小。
是一个个性化参数，因为对于不同的用户权重肯定不同。比方说买东西，用户a买的前L个东西都很喜欢很重要，而用户b买的前L个东西中有一些是帮别人买的，那么两个用户的权重向量
肯定就不一样了。
而是一个全局化参数，他的大小是由训练集里所有用户一同决定的。
这两个权重都要通过训练学习获得
预测公式（Prediction Rules）
式（1）形式和FISM方法基本一致，该方法的创新点为式（2）
式（2）的前一项就是FISM的预测公式（FISM的对比图如下）
而式（2）的后一项结合了马尔可夫链，即预测当前状态时，需要考虑前L个状态。
将前L个潜在特征向量W加权和，就能够体现马尔可夫链的思想（权重就是符号表中解释的和
）
训练时，我们挑选负样本进行训练。
而在测试时，我们相当于预测第个物品，所以马尔可夫链部分的前L个状态实际上指的是
的最后L个状态。
损失函数
损失函数如下图所示
在原论文中，负样本的定义是除去马尔可夫链中物品之外的所有物品。
但是我们可以简单的将视为负样本。
接下来按照梯度下降进行训练即可
3385
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
