模型算法_推荐算法之隐语义模型

1.LFM模型通过隐含特征联系用户与物品

2.LFM模型主要思想是对物品的兴趣进行分类，对于某个用户，首先得到他的兴趣     分类，再从分类中挑选他可能喜欢的物品

3.负采样样本数目要平衡且尽可能选择热门且用户没有行为的物品

4.LFM模型一般采用SGD求解

1.LFM模型介绍

隐语义模型(Latent Factor Model，LFM)属于机器学习算法，它通过隐含特征联系用户与物品。主要思想是：对物品的兴趣进行分类，对于某个用户，首先得到他的兴趣分类，再从分类中挑选他可能喜欢的物品。

隐语义模型将矩阵R分解为P和Q的乘积，即通过矩阵中的物品类别将用户User和物品Item联系起来。实际上需要根据用户当前的物品偏好信息R进行计算，得到相应的矩阵P和矩阵Q.

• R矩阵表示用户对物品的偏好信息，Rij代表User i对Item j的兴趣度

• P矩阵表示用户对各物品类别的一个偏好信息，Pij代表User i对Class j的兴趣度

• Q矩阵表示各个物品归属到各个类别的信息，Qij代表Item j在类别Class i的权重或概率

从隐语义模型可以得到用户对物品兴趣度公式：

2.LFM模型样本

推荐系统的用户行为分为显性反馈数据集(评分数据)和隐性反馈数据集。LFM在显性反馈数据上很好解决了评分预测问题(这里没有正负样本之分)。

而在隐性反馈数据集上，有正负样本之分。因为对于热门推荐而用户没有浏览或表达过偏好的商品，用户很大概率是看到的，但却没有行为，说明用户不喜欢这一类商品。人们发现，对于负采样应该遵循以下原则：

对每个用户，要保证正负样本的平衡(数目相似)；

对每个用户采样负样本时，要选取那些很热门而用户没有行为的物品

3.LFM模型求解

一般采用最优化损失函数求解P和Q: