矩阵分解

推荐系统的策略

content filtering(内容过滤)

原理

用户档案:描述用户的属性(个人喜好，特征)

产品档案:描述产品的特征

利用用户档案与产品档案将用户与产品联系起来，求出用户对某个产品的喜爱程度

collaborative filtering(协同过滤)

协同过滤利用历史的记录来进行推荐

• 优点: domain free(不需要领域知识)
• 缺点: 冷启动(新用户，新项目这种没有评分的情况)

两个方法

1. neighborhood methods(邻居法)
2. latent factor model(隐语义模型)

邻居法: 找出与某个用户最相似的用户, 然后按相似用户的喜爱的项目进行推荐

隐语义模型: 尝试利用对用户与产品的描述来解释用户的评分

矩阵分解(Matrix Factorization Methods)

隐语义最成功的一个实现是矩阵分解

矩阵分解将每一个产品与每一个用户描述成一系列的因子(语义),产品与用户的因子高度吻合即可成为一个推荐

数据源

显示反馈: 用户直接给的评分

隐式反馈: 通过用户的行为记录，个人信息，购买记录给相应的产品进行打分