todolist

3月2日：

今天分别尝试lda模型和ifidf做训练，发现tfidf效果甚至不如tfidf ， 直观性不好。需要大量的时间进行调优估计才可以比较不错。

另外了解协同过滤方法，  其中spark提供了ALS方法，用矩阵分解的方式来进行评估。 不明白其原理， 以及

http://muricoca.github.io/crab/ python 的库  是怎么实现的cf算法。https://github.com/ocelma/python-recsys 的推荐算法

明天需要去学习广告预估的方式， 用户画像的方式来进行推荐。

3月3日：

进行了全量的计算， 选择iftdf方式计算相似度，并存储其他属性供后面用。 以后可以细节上优化，公司分公司共用特性，减少一些计算数据

看了lfm的相关内容，对于单个用户训练模型。  怎么体现cf 。还不明白 http://blog.csdn.net/afeionepiece/article/details/47675685。 

LFM 隐factor模型系列  ALS  SVD  LSA

补充,针对本日的疑惑，后续做调研， ALS属于 隐主题模型的一种解法， 用交叉最小二乘法来分解矩阵。 而NG公开课用随机梯度下降法来进行求解矩阵：

一下摘自推荐系统栏目的博客：

隐含语义分析技术从诞生到今天产生了很多著名的模型和方法，其中和该技术相关且耳熟能详的名词有pLSA、LDA、隐含类别模型（latent class model）、隐含主题模型（latent topic model）、矩阵分解（matrix factorization）。这些技术和方法在本质上是相通的，其中很多方法都可以用于个性化推荐系统。本章将以LFM为例介绍隐含语义分析技术在推荐系统中的应用。

LFM  latent factor model：http://blog.csdn.net/harryhuang1990/article/details/9924377  具体参看这一个博客

其中spark提供了ALS方法进行矩阵分解，交叉最小二乘法， 而NG的公开课直接用随机梯度下降法进行求解。最小二乘法的方法大家可以去自行百科。这里放一个链接给代价看http://blog.csdn.net/oucpowerman/article/details/49847979

3月3日：

进行了全量的计算， 选择iftdf方式计算相似度，并存储其他属性供后面用。 以后可以细节上优化，公司分公司共用特性，减少一些计算数据

看了lfm的相关内容，对于单个用户训练模型。  怎么体现cf 。还不明白 http://blog.csdn.net/afeionepiece/article/details/47675685。 

LFM 隐factor模型系列  ALS  SVD  LSA