2.5.1 基础算法
思路：对于某个用户，首先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品
问题
如何给物品进行分类
如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度
对于一个给定的类，选择哪些属于这个类的物品推荐给用户，以及如何确定这些物品在一个类中的权重
隐语义模型
按照用户行为进行分类
分类粒度可调节
可给出一个物品属于每个类的权重
多维度分类
通过统计用户行为计算物品在分类中的权重
LFM
隐性反馈数据集抽取负样本：采样并保持正负样本量相当；选取热门却没有用户行为的物品
重要参数
隐特征的个数F
学习速率alpha
正则化参数lambda
负样本/正样本比例ratio
2.5.3 LFM和基于领域的方法的比较
LFM有较好的理论基础，是一种学习方法
离线计算的空间复杂度，LFM在大量用户物品时能节省内存空间
离线计算的时间复杂度，由于进行迭代，LFM的时间复杂度稍高于领域算法
LFM不能进行在线实时推荐
LFM无法进行推荐解释
