RS：關於協同過濾，矩陣分解，LFM隱語義模型三者的區別

項亮老師在其所著的《推薦系統實戰》中寫道：

第2章 利用用戶行為數據

2.2.2 用戶活躍度和物品流行度的關系

【僅僅基於用戶行為數據設計的推薦算法一般稱為協同過濾算法。學術界對 協同過濾算法進行了深入研究，提出了很多方法，比如

基於領域的方法（neighborhood-based）、

隱語義模型（latent factor model）、

基於圖的隨機游走算法（random walk on graph）等。

 

在這些方法中，最著名的、在業界得到最廣泛的算法是 基於領域的方法。而基於領域的方法主要包含下面兩種算法：

•  基於用戶的協同過濾算法（這種算法給用戶推薦和他興趣相似的其他用戶喜歡的物品。）
• 基於物品的協同過濾算法（這種算法給用戶推薦和他之前喜歡的物品相似的物品。）
  

】

 

協同過濾推薦基於這樣的假設：為用戶找到他真正感興趣的內容的方法是，首先找與他興趣相似的用戶，然后將這些用戶感興趣的東西推薦給該用戶。所以該推薦技術最大的優點是對推薦對象沒有特殊的要求，能處理非結構化的復雜對象，如音樂、電影等，並能發現用戶潛在的興趣點。協同過濾推薦算法主要是利用用戶對項目的評分數據，通過相似鄰居查詢，找出與當前用戶興趣最相似的用戶群，根據這些用戶的興趣偏好為當前用戶提供最可能感興趣的項目推薦列表。為更進一步地說明協同過濾推薦算法的推薦原理，本文以用戶對電影的推薦為例進行闡述。表1 是用戶對電影評分數據的一個簡單矩陣的例子，其中每一行代表一個用戶，每一列代表一部電影，矩陣中的元素表示用戶對所看電影的評分，評分值一般是從1到5 的整數，評分值越大表明用戶喜歡該電影。

對表1 中的數據利用協同過濾推薦算法，系統查找到用戶Alice、Bob 和Chris 具有相似的興趣愛好，因為他們對后3 部電影的評分相同，那么系統會推薦電影Snow white 給Chris，因為與其興趣偏好相似的用戶Alice 和Bob 對該電影的評分值較高。在表2 中，對於新用戶Amy，沒有評分信息，根據協同過濾推薦算法，無法根據評分信息查找與其興趣偏好相似的用戶，所以系統無法為該用戶推薦電影，同樣對於新電影Shrek，因缺乏評分信息系統無法感知它的存在，所以也無法將其推薦出去。這就是協同過濾推薦算法所存在的新用戶和新項目問題。

 

 

 

 

【Reference】

1. 《推薦系統實戰》

2.  CSDN上關於MF的兩個總結：（但是這兩個博文關於CF和MF和LFM三者關系的歸納並不太准確）

推薦系統中的矩陣分解總結（https://blog.csdn.net/qq_19446965/article/details/82079367?tdsourcetag=s_pctim_aiomsg）

推薦系統：協同過濾collaborative filtering（https://blog.csdn.net/pipisorry/article/details/51788955/?tdsourcetag=s_pctim_aiomsg）