传统推荐模型

传统的推荐模型（一）

发展脉络：类似搜索引擎中的倒排索引算法，先进行倒排，再构造共现矩阵从而减少计算量，最后计算相似度(UF,TF)。通过考虑热门物品或者热门用户的影响，设置权重指标，将热门物品和热门用户的影响降到最低（IIF,IUF），从而提高覆盖率，解决长尾问题。通过引入矩阵分解（MF），相当于对用户进行了分类，或者对物品进行了分类，一方面对计算进行了优化，一方面也提高了系统数据泛化的特性。隐语义模型，也是通过矩阵分解，探究隐藏关系，分解的维度可以通过梯度下降法求得。图模型，通过图的天然特性，即节点与节点之间的联系，来计算节点之间的相似度，从而进行推荐。

倒排索引

将文章变成词条，将词条变成向量。如TF-IDF算法。

TF即为统计词条频率，从而构造基础的向量。IDF即是考虑热门词条的影响，因为热门词条不能作为文章之间的区分标准，因此需加入权重因子，使热门词条最终的影响降到最低。