日记2015/1/6

    前两天不在，补一下昨天看过的一篇论文的笔记：《Context-Aware Music Recommendation Based on Latent》其假设是用户听什么歌主要由环境，心情等作为context的因素决定的，找出这样的context可以增加推荐的准确度和说服力。其中，论文主要利用lda思想对用音乐标签表示的音乐进行聚类发现，得到音乐和类别的分布矩阵，利用得到的分类或话题重新表示用户收听列表的每一首音乐。这样每一名用户会由收听的歌曲序列得到一个话题序列，这样的一个话题序列用于表示一名用户听歌的上下文。然后利用apiori算法得到一系列的关联规则。最后利用用户收听的n-1首歌曲的话题序列预测第n首音乐所在的话题。由于算法将具体的音乐抽象成用lda聚类得到的话题，因此在预测准确率和覆盖律上都有所提高，之后再在分类话题下寻找其中一首音乐或直接将分类下最有可能的歌曲集推荐给用户。针对LDA，有以下问需要讨论

1 lda和lfm等潜在因子分析的算法怎么才能在user和item纬度都较高的情况下减少数据量快速收敛

2 怎么有效确定潜在话题的数量范围

3 数据密度到达多大时才比较适合用lda算法

    另外，今天完成的工作是将文章相似度之间的比较进行并行化处理，其中，使用 Runtime.getRuntime().availableProcessors()来获取了内核数量，过后几天需要看一下Runtime类到底有什么用法才好。另外，还开始了找关键词的工作，其中发现了问题是分词的时候不能将nNode进行扩展，明天需要在这方面改进一下！