隱語義模型LFM

 

隱語義模型是經過隱含特徵，聯繫用戶和物品，基於用戶的特徵對物品進行自動聚類，而後在用戶感興趣的類中選擇物品推薦給用戶。

對於推薦系統，經常使用的算法:

USER-CF:給用戶推薦和他興趣類似的用戶喜歡的物品

ITEM-CF：給用戶推薦他們感興趣物品的類似物品

LFM：獲得用戶感興趣的分類，從該分類中挑選物品推薦給用戶

對於LFM，要作的工做有：

1.對物品進行分類，這裏是模糊分類，也就是得出每一個物品在每一個類中的權重，並非說一個物品就是屬於一個類

2.肯定用戶感興趣的類，這裏要計算用戶對全部類的興趣度

3.從類中挑選物品給用戶推薦，根據1,2結果相乘，得出用戶對全部物品的興趣度，進行排序，得出結果

 

公式：

其中R是用戶u對物品i的興趣度組成的矩陣

P是用戶u對第k個類的興趣度組成的矩陣

Q是物品i在第k個類中的權重

一圖勝千言：

能夠看出，協同過濾是基於統計的，不須要有學習過程，能夠實時得出。而隱語義模型是基於建模的，根據訓練集，計算出上圖中的所有參數，有訓練過程，沒法實時給出結果。

損失函數：

其中後兩項爲L2正則化項，防止過擬合

求解能夠用梯度降低：

梯度：

迭代求解：

隱語義模型中負樣本的選擇

1）對每一個用戶，要保證正負樣本的數目相近
2）對每一個用戶採樣負樣本時，要選取那些很熱門，而用戶卻沒有行爲的物品。（更表明用戶對該物品不感興
趣）
參數：

1.隱特徵個數，也就是類個數f

2.學習率∂

3.正則化參數λ

 

相對CF，LFM的空間複雜度更低