使用LFM(Latent factor model)隱語義模型進行Top-N推薦node
最近在拜讀項亮博士的《推薦系統實踐》,系統的學習一下推薦系統的相關知識。今天學習了其中的隱語義模型在Top-N推薦中的應用,在此作一個總結。
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本挖掘領域中提出來的,近些年它們也被不斷應用到其餘領域中,並獲得了不錯的應用效果。好比,在推薦系統中它可以基於用戶的行爲對item進行自動聚類,也就是把item劃分到不一樣類別/主題,這些主題/類別能夠理解爲用戶的興趣。
對於一個用戶來講,他們可能有不一樣的興趣。就以做者舉的豆瓣書單的例子來講,用戶A會關注數學,歷史,計算機方面的書,用戶B喜歡機器學習,編程語言,離散數學方面的書, 用戶C喜歡大師Knuth, Jiawei Han等人的著做。那咱們在推薦的時候,確定是向用戶推薦他感興趣的類別下的圖書。那麼前提是咱們要對全部item(圖書)進行分類。那如何分呢?你們注意到沒有,分類標準這個東西是因人而異的,每一個用戶的想法都不同。拿B用戶來講,他喜歡的三個類別其實均可以算做是計算機方面的書籍,也就是說B的分類粒度要比A小;拿離散數學來說,他既能夠算做數學,也可當作計算機方面的類別,也就是說有些item不能簡單的將其劃歸到肯定的單一類別;拿C用戶來講,他傾向的是書的做者,只看某幾個特定做者的書,那麼跟A,B相比它的分類角度就徹底不一樣了。
顯然咱們不能靠由單我的(編輯)或team的主觀想法創建起來的分類標準對整個平臺用戶喜愛進行標準化。
此外咱們還須要注意的兩個問題:python
下面咱們就來看看LFM是如何解決上面的問題的?對於一個給定的用戶行爲數據集(數據集包含的是全部的user, 全部的item,以及每一個user有過行爲的item列表),使用LFM對其建模後,咱們能夠獲得以下圖所示的模型:(假設數據集中有3個user, 4個item, LFM建模的分類數爲4)算法
R矩陣是user-item矩陣,矩陣值Rij表示的是user i 對item j的興趣度,這正是咱們要求的值。對於一個user來講,當計算出他對全部item的興趣度後,就能夠進行排序並做出推薦。LFM算法從數據集中抽取出若干主題,做爲user和item之間鏈接的橋樑,將R矩陣表示爲P矩陣和Q矩陣相乘。其中P矩陣是user-class矩陣,矩陣值Pij表示的是user i對class j的興趣度;Q矩陣式class-item矩陣,矩陣值Qij表示的是item j在class i中的權重,權重越高越能做爲該類的表明。因此LFM根據以下公式來計算用戶U對物品I的興趣度編程
咱們發現使用LFM後, 機器學習
那麼,接下去的問題就是如何計算矩陣P和矩陣Q中參數值。通常作法就是最優化損失函數來求參數。在定義損失函數以前,咱們須要準備一下數據集並對興趣度的取值作一說明。編程語言
數據集應該包含全部的user和他們有過行爲的(也就是喜歡)的item。全部的這些item構成了一個item全集。對於每一個user來講,咱們把他有過行爲的item稱爲正樣本,規定興趣度RUI=1,此外咱們還須要從item全集中隨機抽樣,選取與正樣本數量至關的樣本做爲負樣本,規定興趣度爲RUI=0。所以,興趣的取值範圍爲[0,1]。
採樣以後原有的數據集獲得擴充,獲得一個新的user-item集K={(U,I)},其中若是(U,I)是正樣本,則RUI=1,不然RUI=0。損失函數以下所示:函數
上式中的是用來防止過擬合的正則化項,λ須要根據具體應用場景反覆實驗獲得。損失函數的優化使用隨機梯度降低算法:學習
其中,α是學習速率,α越大,迭代降低的越快。α和λ同樣,也須要根據實際的應用場景反覆實驗獲得。本書中,做者在MovieLens數據集上進行實驗,他取分類數F=100,α=0.02,λ=0.01。
【注意】:書中在上面四個式子中都缺乏了
綜上所述,執行LFM須要:優化
LFM的僞代碼能夠表示以下:ui
本人對書中的僞代碼追加了註釋,有不對的地方還請指正。
當估算出P和Q矩陣後,咱們就可使用(*)式計算用戶U對各個item的興趣度值,並將興趣度值最高的N個iterm(即TOP N)推薦給用戶。
總結來講,LFM具備成熟的理論基礎,它是一個純種的學習算法,經過最優化理論來優化指定的參數,創建最優的模型。