LFM--隐语义模型,属于协同领域。
1. LFM算法的背景
提到协同领域,很多人首先想到的就是item CF与user CF,那么这里说到的LFM与这两者又有什么区别呢?
首先简单回忆一下item CF与user CF。
item CF:主体是item,首先考虑的是item层面。也就是说,可以根据目标用户喜欢的物品,寻找和这些物品相似的物品,再推荐给用户。
user CF:主体是user,首先考虑的是user层面。也就是说,可以先计算和目标用户兴趣相似的用户,之后再根据计算出来的用户喜欢的物品给目标用户推荐物品。
那么LFM呢?
LFM:先对所有的物品进行分类,再根据用户的兴趣分类给用户推荐该分类中的物品。
那LFM具体的意义是什么呢?
为了方便大家理解,这里通过item CF再进一步说明。
item CF算法,是将item进行划分,这样一旦item贡献的次数越多,就会造成两个item越相近。举个例子来说,就是当你看你喜欢的电视节目的时候,为了不错过精彩的内容,你广告部分也会看;这时,后台就会统计,你看了***电视节目,也看了***广告。这样就可能分析出***电视节目与***广告比较接近。
然而,事实上两者并不一样,为了解决这一问题,就会需要人工打标签,进行降权处理。这种方式就需要消耗大量的人力,不适用。
对此,就需要LFM。LFM是根据用户对item的点击与否,来获取user与item之间的关系