RS：關於協同過濾，矩陣分解，LFM隱語義模型三者的區別

項亮老師在其所著的《推薦系統實戰》中寫道：

第2章 利用用戶行爲數據

2.2.2 用戶活躍度和物品流行度的關係

【僅僅基於用戶行爲數據設計的推薦算法通常稱爲協同過濾算法。學術界對 協同過濾算法進行了深刻研究，提出了不少方法，好比

基於領域的方法（neighborhood-based）、

隱語義模型（latent factor model）、

基於圖的隨機遊走算法（random walk on graph）等。

 

在這些方法中，最著名的、在業界獲得最普遍的算法是 基於領域的方法。而基於領域的方法主要包含下面兩種算法：

•  基於用戶的協同過濾算法（這種算法給用戶推薦和他興趣類似的其餘用戶喜歡的物品。）
• 基於物品的協同過濾算法（這種算法給用戶推薦和他以前喜歡的物品類似的物品。）
  

】

 

協同過濾推薦基於這樣的假設：爲用戶找到他真正感興趣的內容的方法是，首先找與他興趣類似的用戶，而後將這些用戶感興趣的東西推薦給該用戶。因此該推薦技術最大的優勢是對推薦對象沒有特殊的要求，能處理非結構化的複雜對象，如音樂、電影等，並能發現用戶潛在的興趣點。協同過濾推薦算法主要是利用用戶對項目的評分數據，經過類似鄰居查詢，找出與當前用戶興趣最類似的用戶羣，根據這些用戶的興趣偏好爲當前用戶提供最可能感興趣的項目推薦列表。爲更進一步地說明協同過濾推薦算法的推薦原理，本文以用戶對電影的推薦爲例進行闡述。表1 是用戶對電影評分數據的一個簡單矩陣的例子，其中每一行表明一個用戶，每一列表明一部電影，矩陣中的元素表示用戶對所看電影的評分，評分值通常是從1到5 的整數，評分值越大代表用戶喜歡該電影。

對錶1 中的數據利用協同過濾推薦算法，系統查找到用戶Alice、Bob 和Chris 具備類似的興趣愛好，由於他們對後3 部電影的評分相同，那麼系統會推薦電影Snow white 給Chris，由於與其興趣偏好類似的用戶Alice 和Bob 對該電影的評分值較高。在表2 中，對於新用戶Amy，沒有評分信息，根據協同過濾推薦算法，沒法根據評分信息查找與其興趣偏好類似的用戶，因此係統沒法爲該用戶推薦電影，一樣對於新電影Shrek，因缺少評分信息系統沒法感知它的存在，因此也沒法將其推薦出去。這就是協同過濾推薦算法所存在的新用戶和新項目問題。

 

 

 

 

【Reference】

1. 《推薦系統實戰》

2.  CSDN上關於MF的兩個總結：（可是這兩個博文關於CF和MF和LFM三者關係的概括並不太準確）

推薦系統中的矩陣分解總結（https://blog.csdn.net/qq_19446965/article/details/82079367?tdsourcetag=s_pctim_aiomsg）

推薦系統：協同過濾collaborative filtering（https://blog.csdn.net/pipisorry/article/details/51788955/?tdsourcetag=s_pctim_aiomsg）