推荐算法4：矩阵分解 LFM

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。