【推荐系统】隐语义模型和基于图的模型

隐语义模型

隐语义模型的核心思想是通过隐含特征联系用户兴趣和物品
隐语义分析技术因为采取基于用户行为统计的自动聚类，能够较好的应用于个性推荐系统

对于上式中的两个参数，需要一个训练集，每个用户u，训练集里都包含了用户u喜欢的物品和不感兴趣的物品，通过学习这个数据集，就可以获得模型中的参数了

LFM模型中重要的参数：

• 隐特诊的个数F
• 学习率alpha
• 正则化参数lambda
• 负样本/正样本比例ratio

LFM模型的缺点：

1、训练耗时，一般实际应用中每天训练一次，并且计算出所有用户的推荐结果
2、不能因为用户行为的变化实时地调整推荐结果来满足用户最近的行为

基于图的模型

用户行为很容易用二分图表示，因此很多图的算法都可以用到推荐系统中

给用户u推荐物品的任务可以转化为度量用户顶点$v_u$和$v_u$没有边直接相连的物品结点在图上的相关性，相关性越高的物品在推荐列表中的权重就越高

图中顶点的相关性主要取决于以下几个因素

• 两个顶点之间的路径数
• 两个顶点之间路径的长度
• 两个顶点之间的路径经过的顶点