推荐系统算法—隐语义模型（LFM）详解

协同过滤算法主要包括基于用户的协同过滤（User-Based CF）、基于物品的协同过滤（Item-Based CF）、隐语义模型（Latent Factor Model）等。LFM（latent factor model）隐语义模型从诞生到今天产生了很多著名的模型和方法。其实该算法最早在文本挖掘领域被提出，用于找到文本的隐含语义。相关的算法有LSI、pLSA、LDA和Topic Model。推荐系统的用户行为分为显性反馈和隐性反馈。LFM在显性反馈数据（也就是评分数据）上解决评分预测问题并达到了很好的精度。本文将以LFM为例介绍隐含语义分析技术在推荐系统中的应用。

基本思想

以电影推荐为例，每个用户都有自己喜欢看的电影，比如用户A喜欢含有悬疑、动漫、娱乐元素类型的电影。而如果电影1也带有这些标签，就将该电影推荐给用户A。每个人对不同元素类型的偏好不同，每个电影包含的元素也不同。所以我们用矩阵记录这些数据：用户潜在因子矩阵，电影潜在矩阵。

用户潜在因子矩阵

表示不同用户对于不同元素的偏好程度（数值越大代表越喜欢）。

用户\因子	悬疑	动漫	娱乐
用户A	0.7	0.6	0.1
用户B	0.8	0.4	0.6
用户C	0.5	0.6	0.3

电影潜在因子矩阵

表示每种视频包含各种元素的成分

电影\因子	悬疑	动漫	娱乐
电影1	0.8	0.4	0.2
电影2	0.6	0	0.7
电影3	0.5	0.7	0.6

通过这两个矩阵我们可以计算用户A对电影1的喜欢程度：
$$0.7\ast 0.8+0.6\ast 0.4+0.2\ast 0.1=0.82$$
所以，可以得到下面的用户电影推荐表格

用户\电影	电影1	电影2	电影3
用户A	0.82	0.49	0.83
用户B	0.92	0.9	1.04
用户C	0.76	0.51	0.85

所以，我们给用户A推荐电影3，给用户B、C推荐电影3。

数学原理

上述推荐过程的关键是如何确定潜在因子矩阵。设用户潜在因子矩阵为P，$p_{ij}$表示用户 $i$ 对 因子 $j$ 的兴趣度，电影潜在因子矩阵为Q，$q_{ij}$表示物品 $i$ 对 因子 $j$ 的权重，权重越高越能代表该类别。

LFM通过如下公式计算用户u对物品i的兴趣：
$$Preference(u,i)=P{Q}^T=$$