推荐系统之LFM（二）
对于一个用户来说，他们可能有不同的兴趣。就以作者举的豆瓣书单的例子来说，用户A会关注数学，历史，计算机方面的书，用户B喜欢机器学习，编程语言，离散数学方面的书， 用户C喜欢大师Knuth, Jiawei Han等人的著作。那我们在推荐的时候，肯定是向用户推荐他感兴趣的类别下的图书。那么前提 ...
原文：推荐系统之LFM
这里我想给大家介绍另外一种推荐系统，这种算法叫做潜在因子 Latent Factor 算法。这种算法是在NetFlix 没错，就是用大数据捧火 纸牌屋 的那家公司 的推荐算法竞赛中获奖的算法，最早被应用于电影推荐中。这种算法在实际应用中比现在排名第一的 邰原朗所介绍的算法误差 RMSE 会小不少，效率更高。我下面仅利用基础的矩阵知识来介绍下这种算法。 这种算法的思想是这样：每个用户 user 都 ...
2015-10-15 16:24 0 9151 推荐指数：
相关推荐
推荐系统（2）—LFM（Latent Factor Model）模型
前面一篇随笔介绍了基于协同过滤的推荐系统的基本思想及其python实现，本文是上一篇的续集。本文先介绍评价推荐系统的离线指标，稍后主要讨论基于矩阵分解的LFM模型。 评价推荐系统的离线指标 1、F值得分 推荐系统的目的是为客户提供可能喜欢（购买）的产品，但从本质上来说是一个聚类的过程 ...
推荐系统之隐语义模型(LFM)
LFM(latent factor model)隐语义模型，这也是在推荐系统中应用相当普遍的一种模型。那这种模型跟ItemCF或UserCF的不同在于： 对于UserCF，我们可以先计算和目标用户兴趣相似的用户，之后再根据计算出来的用户喜欢的物品给目标用户推荐物品。 而ItemCF ...
推荐算法之： LFM 推荐算法
LFM介绍 LFM(Funk SVD) 是利用 矩阵分解的推荐算法： 其中： P矩阵是User-LF矩阵，即用户和隐含特征矩阵 Q矩阵是LF-Item矩阵，即隐含特征和物品的矩阵 R：R矩阵是User-Item矩阵，由P*Q得来 见下图： R评分举证由于物品 ...
推荐系统 LFM 算法的简单理解，感觉比大部分网上抄来抄去的文章好理解
本文主要是基于《推荐系统实践》这本书的读书笔记，还没有实践这些算法。 LFM算法是属于隐含语义模型的算法，不同于基于邻域的推荐算法。 隐含语义模型有：LFM，LDA，Topic Model 这本书里介绍的LFM算法。书中内容介绍的很详细，不过我也是看了一天才看明白的。 开始一直没想 ...
推荐算法之用矩阵分解做协调过滤——LFM模型
隐语义模型（Latent factor model，以下简称LFM），是基于矩阵分解的推荐算法，在其基本算法上引入L2正则的FunkSVD算法在推荐系统领域更是广泛使用，在Spark上也有其实现。本文将对 LFM原理进行详细阐述，给出其基本算法原理。此外，还将介绍使得隐语义模型声名大噪的算法 ...
推荐系统
58同城作为中国最大的分类信息网站，向用户提供找房子、找工作、二手车和黄页等多种生活信息。在这样的场景下，推荐系统能够帮助用户发现对自己有价值的信息，提升用户体验，本文将介绍58同城智能推荐系统的技术演进和实践。 58同城智能推荐系统大约诞生于2014年（C++实现），该套 ...
推荐系统之--- 推荐系统实例
前面几章介绍了各种各样的数据和基于这些数据的推荐算法。在实际系统中，前面几章提到的数据大都存在，因此如何设计一个真实的推荐系统处理不同的数据，根据不同的数据设计算法，并将这些算法融合到一个系统当中是本章讨论的主要问题。本章将首先介绍推荐系统的外围架构，然后介绍推荐系统的架构，并对架构中每个模块 ...