# Python推荐系统学习笔记（3）------基于协同过滤的个性化推荐算法实战---隐语义模型

Python推荐系统学习笔记（3）------基于协同过滤的个性化推荐算法实战—隐语义模型

一、概念性理解

传统的推荐方法
UserCF，首先需要找到和他们看了同样书的其他用户，然后给他们推荐那些用户喜欢的其他书。
ItemCF，需要给他们推荐和他们已经看的书相似的书。
基于隐语义模型
通过矩阵分解建立用户和隐类之间的关系，物品和隐类之间的关系，最终得到用户对物品的偏好关系。
隐语义模型（LFM）：通过矩阵分解建立用户和隐类之间的关系，物品和隐类之间的关系，最终得到用户对物品的偏好关系。
隐含语义分析技术的分类来自对用户行为的统计，代表了用户对物品分类的看法，是基于用户的共同兴趣计算出来的，允许我们指定最终有多少个分类，会计算出物品属于每个类的权重，因此每个物品都不是硬性地被分到某一个类中。
隐含语义分析技术从诞生到今天产生了很多著名的模型和方法，其中和该技术相关且耳熟能详的名词有pLSA、LDA、隐含类别模型（latent class model）、隐含主题模型（latent topic model）、 矩阵分解（matrix factorization）。这些技术和方法在本质上是相通的，其中很多方法都可以用于个性化推荐系统。
假设我们想要发现 F个隐类，我们的任务就是找到两个矩阵 U 和
V，使这两个矩阵的乘积近似等于R，即将用户物品评分矩阵 R 分解