个性召回算法 LFM

个性召回算法 LFM

---

---

前言

学习整理笔记，内容所有权不在我

什么是LFM算法

LFM算法输入的是USER对ITEM的点击展示矩阵矩阵，和想要输出的用户与商品向量维度
返回：每一个user的向量表示和每一个item的向量表示

应用场景：
1.完成user的item推荐列表，toplike
2.完成item的相似度列表，topsim
3.完成item之间隐藏topic的挖掘，topic

1. 算法框架

用户u和商品i，u和i之间的关系紧密程度为两者向量相乘

初始的loss函数：

正则化得loss函数：

梯度计算：

其他需要注意的
负样本选取，隐特征F（一般设置在10到32之间），正则参数，lr

2. 与CF的比较：

LFM理论更加完备
CF需要储存用户*物品矩阵
LFM只需要对每个用户和物品存储他们的向量，因为向量长度远小于用户和物品数量，所以大大降维
CF可以做到实时响应，LFM难以很快迭代向量，无法实时

LFM代码记录

1. 数据

def get_train_data
返回训练集，其中正采样的数据格式：[userid, itemid, 1]
负采样的数据格式：[userid, itemid, avescore]
get_item_info储存movie表格
get_ave_score 每个电影的均值

2. 训练环节

def lfm_train(train_data,F,alpha,beta,step):
训练数据，向量维度，正则化系数，学习率，迭代次数

def init_model(vector_len):
初始化长度为vector_len的[0,1）范围内的向量

def model_predict(user_vector, item_vector):
两个向量的相似度

def model_train():
执行训练