mf模型 svd++_序列推荐模型(一): FPMC

Factorizing Personalized Markov Chains for Next-Basket Recommendation

摘要和介绍

这篇文章发表于 WWW2010，当时主流的推荐方法是MF和MC

1. MF(Matrix Factorization) : 用于建模用户与物品的偏好。给定已知用户和物品的交互，来预测矩阵中其他未知位置的用户偏好，方法有SVD分解，隐变量模型和基于优化/学习的方法等。
2. MC(Markov Chain): 用于建模用户与商品交互的序列信息。MC方法基于转移矩阵，通过上一时刻的交互来预测下一个时刻的用户交互。

FPMC(Factorizing Personalized Markov Chains for Next-Basket Recommendation):

MF方法适合于建模personalized的推荐场景，MC方法适合于建模sequential的推荐场景，那么在Next-Basket Rec的任务中，如果既想考虑user-taste，又想考虑sequential信息，应该怎么做？

作者想了一个很自然的方法，那就是给每一个user建模一个markov transition matrix。也就是建模一个