一、基于矩阵分解的CF算法实现:LFM
1 LFM原理解释
- 基本思想
用户具有一定的特征,决定着他的偏好选择。
物品具有一定的特征,影响着用户是否选择它。
所以,用户之所以选择某一个商品,是因为用户特征和物品特征相互匹配的结果。
基于这种思想,模型的建立相当于从行为数据中提取特征,给用户和物品同时打上标签,即特征的提取和匹配。
根据已有的偏好数据,去挖掘出隐藏的特征,需要用到隐语义模型LFM。
- 基于模型的协同过滤推荐
就是基于样本的用户偏好信息,训练一个推荐模型,然后根据实时的用户喜好信息进行预测新物品的得分。
2、通过矩阵分解进行降维
协同过滤算法非常依赖历史数据,而一般的推荐系统中,偏好数据又往往是稀疏的,这就需要对原始数据做降维处理。
分解之后的矩阵,就代表了用户和物品的隐藏特征。
把用户拆成三个特征,每一个特征都会影响到用户对物品的评分,究竟这个特征是什么不知道,所以称为隐语义模型。