隐语义模型（LFM）

该算法最早在文本领域被提出，用于找到文本的隐含语义。核心思想是通过隐含特征（latent  factor）联系用户兴趣和物品（item）。是基于机器学习的方法。找出潜在的主题和分类。基于用户的行为对item进行自动聚类，划分到不同类别/主题，即用户的兴趣。

算法实例：假设用户A喜欢的音乐是小清新、吉他伴奏的（即所谓的latent  factor），则若一个歌曲（item）含这两个标签就推荐给用户。

一、原始算法（参数：隐特征个数F、学习率a、正则化参数λ、负/正样本比例r）

背景：两个用户A、B的读书列表，由此给用户推荐图书

解决方法：法1：UserCF——给用户推荐和他兴趣相似用户喜欢的书

    法2：ItemCF——给用户推荐和他们已看过的书相似的书

    法3：基于兴趣分类（LFM）。对于某用户，先得到他的兴趣分类，再从分类中挑选他可能喜欢的物品。

技术点：

1.  如何给物品进行分类？

对于一个用户来说，他们可能有不同的兴趣。就以作者举的豆瓣书单的例子来说，用户A会关注数学，历史，计算机方面的书，用