隐语义模型 VS 协同过滤

隐语义模型

• 从数据出发，进行个性化推荐
• 用户和数据之间有着隐含的联系
• 隐含因子让计算机能理解就好
• 将用户和物品通过中介隐含因子联系起来

分解-组合

F隐藏因子

隐语义模型求解

• 梯度下降方向
• 迭代求解

隐语义模型负样本选择

• 对每个用户，要保证正负样本的平衡（数目相似）
• 选取那些很热门，而用户却没有行为的物品
• 对于用户-物品集K({u,i})
  其中如果(u,i)是正样本，则 r_ui = 1 , 负样本 r_ui = 0

隐语义模型参数选择

• 隐特征的个数F，通常F=100
• 学习速率alpha，别太大，如0.01
• 正则化参数 lambda，别太大，如0.01、0.1
• 负样本/正样本比例ratio

协同过滤 VS 隐语义

• 原理：协同过滤基于统计，隐语义基于建模
• 空间复杂度：隐语义模型较小
• 实时推荐依旧难，目前离线计算多
• 隐语义模型解释，不需要解释其过程，知道其结果就行了