本文共 499 字，大约阅读时间需要 1 分钟。

基于模型的协同过滤算法

本节介绍基于模型的协同过滤算法在Top-N推荐中的应用。

核心思想是 通过隐含特征（latent factor）联系用户兴趣和物品 。

思路：对于某个用户，首先得到其兴趣分类，然后从分类中挑选其可能喜欢的物品。

上述基于兴趣分类的方法需要解决3个问题：

1. 如何给物品进行分类？
2. 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度？
3. 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？

基础算法

不同于通过编辑给物品进行分类，而是从数据出发， 自动地给物品进行分类， 然后进行个性化推荐。

隐含语义分析技术采取 基于用户行为统计的自动聚类 ，能较好地解决通过编辑进行分类的5种问题：

• 编辑的意见不能代表各种用户的意见（分类从物品内容出发还是从用户出发）

  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。隐含语义分析技术和ItemCF在物品分类方面的思想类似， 如果两个物品被很多用户同时喜欢，那么这两个物品就很有可能属于同一个类。

• 编辑很难控制分类的粒度

  隐含语义分析技术允许指定最终有多少个分类，这个数字越大ÿ

转载地址：https://maoli.blog.csdn.net/article/details/115767368 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！