推荐系统实践（四）LFM原理（1）

隐语义模型，矩阵分解方法：
一、SVD分解

1.存在两个严重的缺陷：
（1）、SVD 分解前需要把稀疏矩阵填充成无缺失值的稠密矩阵，而数据集中往
往 90%以上的数据都是缺失的，这样会造成数据存储空间成本大大增加；
（2）、该算法的计算复杂度较高，对于填充后的稠密矩阵来说，计算速度变的
更慢，甚至无法获得结果。
2、算法流程：

关键步骤：
对特征值矩阵进行选择，一般从小到大排序，特征值大的代表着更重要。

3、k值的确认：
Ek代表着前K个较大的奇异值平方和，E代表所有奇异值平方和

二、Funk SVD (LFM)
1.矩阵分解方法：
P,Q 分别为分解的矩阵。
2.构建损失函数：

加上正则项：

3.再用梯度下降法更新。

三、LFM改进
利用隐语义模型可以对评分矩阵中的缺省值进行预测，但是模型没有考虑用户和物品本身的属性，现实中用户和物品属性本身有时就会存在较大的差异。例如乐观用户对物品的评分要普遍高于消极用户对物品的评分，质量好的物品获得的评价要普遍高于质量劣的物品。即使他们对同一物品的评分相同，他们对该物品的偏好程度也可能不同，因此需要在原有的模型中加入偏置因子来区别不同的用户和物品。

u表示全局平均数
bu表示表示用户评分相对于平均值的偏移量，不受物品属性的影响。对于乐观用户ub会偏高，消极用户ub会偏低
bi 表示物品偏执，对于优质物品,bi高，低质的bi低。

四、SVD++（加入隐式信息）



SVD算法是指在SVD的基础上引入隐式反馈，使用用户的历史浏览数据、用户历史评分数据、电影的历史浏览数据、电影的历史评分数据等作为新的参数。
优点：
1.加入用户的隐式反馈信息提供了一个额外的预测用户偏好的辅助依据，弥补了显式信息的不足，提高了预测结果的精确度。推荐系统获取的用户隐式反馈信息要比显式反馈多，使得隐式反馈发挥的作用越来越大；
2.能够提供推荐理由：推荐系统不仅要提供精准的推荐结果，还要对推荐结果给出有说服力的推荐理由，隐语义模型是无法对推荐结果进行解释的，而SVD++模型可以通过用户的隐式反馈信息对推荐结果进行解释，例如购买次数最多、浏览次数最多等解释。

五、TrustSVD （加入社会化信任机制）
现实中朋友彼此之间会受对方的影响，朋友推荐的物品更具有说服力和信任度。

信任关系：1.用户之间的关系 2.关系程度的衡量。 （动态的 非对称的 传递的）

实线表示信任关系，虚线表示可能会产生信任关系。 构成了信任矩阵。 （信任度是基于二值的，信任为1，不信任为0）
利用隐语义模型把矩阵T 分解成信任者和被信任者两个特征矩阵 P 和W ：

其中uT 是用户 u 的信任用户集合

得到最后的式子：

优点：
1、提高了推荐精准度：在原有评分矩阵的基础上，加入了用户的信任网络，结合评分矩阵和信任矩阵共同完成推荐任务，使得推荐的结果的准确性得到了很大提高；
2、缓解了新用户冷启动问题：当新用户不存在行为记录的时，可以通过社交平台（如 QQ、微信、微博等）读取好友列表，根据好友间的信任关系进行推荐，很大程度上弥补了评分矩阵的稀疏问题，也为新用户提供了推荐的依据。

六、改进的信任模型
不同人信任程度不一样
基本原理是如果一个用户被越多的人信任，他的可信度就会越高，别人对他的信任权值就会越高
衡量两个人之间的信任度的方法：

其中其中 X(u) 表示用户u 的信任用户集合，In(v) 表示信任用户v 的用户数量（也称为用户 v 的入度）， max(In(v)) 表示用户u 信任的用户中拥有的最大入度。

信任矩阵同评分矩阵一样也是稀疏矩阵，需要对缺失的信任值进行预测，和评分矩阵类似利用奇异值分解可以完成预测。TrustSVD 算法用到的信任模型中预测值没有把信任者和被信任者本身属性的差别考虑在内，例如有的用户容易信任别人，他对别人的信任值就会普遍偏高，同样有的用户信誉较好，别人对他的信任值会普遍偏高，对原有的模型进行改进，加入信任者和被信任者的偏置因子，偏置因子公式如下：

得到的信任损失函数为：