推荐系统------------隐语义模型(LFM)_使用隐特征实现系统推荐

引入

基于模型的协同过滤思想
基本思想：
用户具有一定的特征，决定着他的偏好选择
物品具有一定的特征，影响着用户需是否选择它
用户之所以选择某一个商品，是因为用户特征与物品特征相互匹配
基于这种思想，模型的建立相当于从行为数据中提取特征，给用户和物品同时打上标签，这和基于人口统计学的用户标签，基于内容方法的物品标签本质是一样的，都是特征的提取和匹配
有显性特征时（比如用户标签，物品分类标签）我们可以直接匹配做出推荐，没有时，可以根据已有的偏好数据贸区发掘出隐藏的特征，这需要用到隐语以模型（LFM）
训练模型时，可以基于标签内容的提取物品特征，也可以让模型去发掘物品的潜在特征，这样的模型被称为：隐语义模型(LFM)
用隐语义模型来进行协同过滤的目标
揭示隐藏的特征，这些特征能够解释为什么给出对应的预测评分。
通过矩阵分解进行将为分析
协同过滤算法非常依赖历史数据，而一般的推荐系统中，偏好数据又往往时稀疏的，这就需要对原始数据做降维处理
分解之后的矩阵，就代表了用户和物品的隐藏特征

隐语义模型的实例：

基于概率的隐语义分析(pLSA)
隐士迪利克雷分布模型(LDA)
矩阵因子分解模型(基于奇异值分解的模型，SVD)