隐语义模型(LFM)

一.LFM

协同过滤算法主要包括基于用户的协同过滤（User-Based CF）、基于物品的协同过滤（Item-Based CF）、隐语义模型（Latent Factor Model）等。其中基于用户和物品的协同过滤是通过统计学方法对数据进行分析的，因此也称为基于内存的协同过滤或基于邻域的协同过滤；隐语义模型是采用机器学习等算法，通过学习数据得出模型，然后根据模型进行预测和推荐，是基于模型的协同过滤。

1.概念：
　　LFM（latent factor model)，它的核心思想是通过隐含特征（latent factor）联系用户兴趣和物品。

LFM又被称为矩阵分解法，MF，matrix factorization model

2.提出背景：
　　除了传统的UserCF和ItemCF推荐方法，还有一种方法是首先对物品进行分类，对于某个用户，首先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品，即基于兴趣分类的方法。

二.基于兴趣分类

1.面临的问题：

• 问题a：如何给物品进行分类？
• 问题b：如何确定用户对哪些类感兴趣，以及感兴趣的程度？
• 问题c：对于给定的一个类，如何确定类中物品