隱語義模型（lfm）和lsi，lda，topic model其實都屬於隱含語義分析技術，是一類概念，他們在本質上是相通的，都是找出潛在的主題或分類。
這些技術一開始都是在文字挖掘領域中提出來的，近些年它們也被不斷應用到其他領域中，並得到了不錯的應用效果。
lfm演算法的核心是將user-item（m*n）矩陣分為倆個矩陣p（m*f）,q（f*n）：
其中f是我們推測的隱分類的個數
如何將原矩陣分為p，q兩個矩陣？
本質來說，這是乙個最優化問題：
前面部分是平方損失，而後面的部分是正則化項（防止過擬合）
至於求解的方法，就是降低損失函式，一般最常用的是梯度下降，具體求解網上有很多解釋，再次不做贅述
而推薦方法就是計算最終pq矩陣的乘積，然後將其中使用者沒有行為評分較高的物品推薦給他
這裡有個疑問是，為什麼我只是對原先的矩陣進行擬合，就能夠為我推薦新的物品？
因為我們原先的操作已經對我們的喜好有了一定的描述，對於沒有行為物品我們也對它都由乙個隱藏的評估，用機器學習的視角看，這就是模型的引數選擇問題，通過擬合已知資料，我們就能夠**未知資料
推薦演算法5 隱語義模型
lfm latent factor model 隱語義模型的核心思想是通過隱含特徵 latent factor 聯絡使用者興趣和物品，採取基於使用者行為統計的自動聚類。lfm通過如下公式計算使用者u對物品i的興趣 對每個使用者取樣負樣本時，要選取那些很熱門，而使用者卻沒有行為的物品。下面的pytho...
推薦系統 隱語義模型
繼續學習推薦系統，還是推薦演算法的部分。因為我的學習是圍繞 推薦系統實踐 展開，這邊書是12年寫成的，所以一開始都是那年比較流行的演算法模型，裡面總共講了三個演算法，乙個是協同過濾，乙個是隱語義模型，乙個圖模型。圖模型我覺得現在實際上用的比較少，所以我就只看了一下，這裡不寫出來了。後面我會研究一下深...
推薦系統 02 隱語義模型LFM
隱語義模型 lfm 圖形解釋 lfm的前生今世 隱語義模型的適用性 關於訓練集 基本概念 那麼如何產生負樣本呢？負樣本的選擇 小結 如何計算權重 負樣本取樣過程 如何求解c的極小值 演算法原理 原函式 deffun x,y return x y 2 x x 2 x y y y 偏x導 defpxfu...