模型的建立相當於從行為數據中提取特征，給用戶和物品同時打上“標簽”
有顯性特征時，我們可以直接匹配做出推薦
沒有時，可以根據已有的偏好數據，去發掘出隱藏的特征，這需要用到隱語義模型(LFM)
一、隱語義模型（LFM Latent Factor Mode）
基於樣本的用戶偏好信息，訓練一個推薦模型，然后根據實時的用戶喜好信息進行預測新物品的得分，計算推薦
目標：揭示隱藏特征【使用偏好數據訓練模型，找到內在規律，再用模型來做預測（類似回歸)】
方法：矩陣分解進行降維分析【分解之后的矩陣代表了用戶和物品的隱藏特征】
1、LFM降維方法-矩陣因子分解
想要發現K個隱類，就是找到兩個矩陣P和Q，使得兩個矩陣的乘積近似等於R
找到影響用戶打分的隱藏因子-》預測評分矩陣
2、模型的求解-損失函數
目標：找到最好的分解方式，讓分解之后的預測評分矩陣誤差最小
選擇平方損失函數，並且加入正則化項，以防止過擬合
3、最小化過程的求解：
- 隨機梯度下降算法：
- 模型求解算法-交替最小二乘法（ALS Alternating Least Square）
思想：由於兩個矩陣P和Q都是未知，且通過矩陣乘法耦合再一起，為了使它們解耦，
可以先固定Q，把P當作變量，通過損失函數最小化求出P，再反過來固定P，把Q當作變量，求解出Q，如此交替執行，直到誤差滿足閾值條件，或者到達迭代上限。