《推荐系统实践》关于Latent Factor Model
- - xlvector - Recommender SystemLatent Factor Model，很多人称为SVD，其实是比较伪的SVD，一直是最近今年推荐系统研究的热点. 但LFM的研究一直是在评分预测问题上的，很少有人用它去生成TopN推荐的列表，而且也很少有人研究如何将这个数据用到非评分数据上. 本来这本书不准备在实践部分讲这个算法，而只准备在后面介绍学术界研究热点的时候讲这个算法.
《推荐系统实践》关于Latent Factor Model
标签：
未分类
| 发表时间：2011-12-22 12:55 | 作者：xlvector
出处：http://xlvector.net/blog
Latent Factor Model，很多人称为SVD，其实是比较伪的SVD，一直是最近今年推荐系统研究的热点。但LFM的研究一直是在评分预测问题上的，很少有人用它去生成TopN推荐的列表，而且也很少有人研究如何将这个数据用到非评分数据上。
本来这本书不准备在实践部分讲这个算法，而只准备在后面介绍学术界研究热点的时候讲这个算法。但后来发现，如果不讲，显得实践部分都是些加减乘除的小把戏，没啥技术含量啊。于是我还是将如何在非评分数据上做LFM放到了实践的部分，当然这方面的相关论文还非常少。不过我觉得LFM在实践部分还是有其前景的。
具体怎么做，先卖个关子不忙说。先公布一个实验结果吧。我们知道，LFM有一个副产品是对物品自动聚类，我今天写书的时候在MovieLens数据集上试了一把，发现效果不错，先公布出来。
| 您可能也喜欢： |
推荐中的graph model
|
|
clustering items and users by latent factors?
|
|
用Topic组织你的兴趣
|
|
Aardvark 专家推荐式的问答系统
|
|
推荐系统和协同过滤面临的主要问题
|
| 无觅 |
相关 [推荐系统 实践 latent] 推荐：
vivo 应用商店推荐系统探索与实践
- - 掘金 后端介绍 vivo 应用商店推荐系统如何高效支撑个性化的推荐需求. 商店的应用数据主要来源于运营排期、CPD、游戏、算法等渠道，成立推荐项目之后也没有变化，发生变化的是由推荐系统负责和数据源进行对接，商店服务端只需要和应用推荐系统进行对接即可. 如果读者以为我们单纯是把商店服务端代码给照搬到推荐系统这边来了那就真的是too young too simple 了，不做优化或者升级直接copy一个系统是不可能的，这辈子都不可能.
Latent Semantic Analysis（LSA） - CSDN博客
- -Latent Semantic Analysis（LSA）中文翻译为潜语义分析，也被叫做Latent Semantic Indexing ( LSI ). 意思是指通过分析一堆（不止一个）文档去发现这些文档中潜在的意思和概念，什么叫潜在的意思. 我第一次看到这个解释，直接懵逼. 假设每个词仅表示一个概念，并且每个概念仅仅被一个词所描述，LSA将非常简单（从词到概念存在一个简单的映射关系）.
推荐系统入门实践：世纪佳缘会员推荐（完整版）
- - 博客园_首页 本文以2011年举办的第一届数据挖掘邀请赛的"世纪佳缘会员推荐"赛题为例，尝试了 5 种排序方法来为新注册会员推荐容易受到亲睐的老会员. 先看5种排序方法的测试结果，以便朋友们有针对性地浏览本文. 基于training set验证. SVM-Rank（投票加权平均+Profile特征）.
推03，最最最简单的推荐系统是什么样的 | 附Spark实践案例
- -接前面这篇《 推02，就算是非技术人员也都有必要了解的一些推荐系统常识》，之前的开篇01/02，其实都是以理论、场景化，概念进行铺垫的，让大伙儿大概知道推荐系统是怎么回事，从这篇开始，照顾一下技术的童鞋，我们开始回归到技术层面，并且 附上代码案例（见后面部分）. 当然，依然是入门级，高高高手可以绕路.
从原理到策略算法再到架构产品看推荐系统 | 附Spark实践案例
- -本文源自于前阵子连续更新的推荐系统系列，前段时间给朋友整理一个关于推荐系统相关的知识教学体系，刚好自身业务中，预计明年初随着业务规模增长，估摸着又要启动推荐相关的项目了，所以也是趁机把相关的知识结构梳理了一遍. 这这里重新做整理，并额外做了一些增减，让整体逻辑会更通顺一点. 整个文章的结构逻辑，先从推荐系统的基础知识结构讲起，然后由浅入深过渡到几个推荐策略算法上，并且为每个推荐策略算法提供一些简单的入门Spark案例代码，再从策略过渡到系统层级，包括数据架构、策略组合、效果评估等，最终再从上层产品设计的角度去补充整个系统知识结构.
Min-Hash和推荐系统
- - xlvector - Recommender System前几年看Google News Recommendation的那篇Paper，对里面提到的MinHash的算法基本没有注意，因为之前的习惯都是只注意论文的模型那块，至于怎么优化模型一般都只是扫一眼. 不过最近看了大量的Google Paper，发现Google在实现一个算法方面确实有很多独到之处. 其实，Min-Hash是LSH（Locality Sensitive Hash）的一种，我之前对LSH的了解仅仅限于知道它能把两个相似的东西Hash成两个汉明距离接近的2进制数.
推荐系统实战
- - 博客园_首页推荐算法：基于特征的推荐算法. 推荐算法准确度度量公式：. 其中，R(u)表示对用户推荐的N个物品，T(u)表示用户u在测试集上喜欢的物品集合. 集合相似度度量公式(N维向量的距离度量公式)：. 其中，N(u)表示用户u有过正反馈的物品集合. 其中，S(u,k)表示和用户u兴趣最接近的K个用户集合；N(i)表示对物品i有过正反馈的用户集合；w(u,v)表示用户u和用户v的兴趣相似度；r(v,i)表示用户v对物品i的兴趣.
推荐系统杂谈
- - 后端技术杂谈 | 飒然Hang推荐系统是近些年非常火的技术，不管是电商类软件还是新闻类app，都号称有精准的推荐系统能给你推送你最感兴趣的内容. 现象级的资讯类app“今日头条”就得益于此成为了势头非常猛的一款产品. 本文就针对推荐系统讲述一些相关概念和实践经验. 首先需要明确的就是推荐系统的目标，一般来说不外乎以下几个：. 用户满意性：首当其冲的，推荐系统主要就是为了满足用户的需求，因此准确率是评判一个推荐系统好坏的最关键指标.
个性化推荐系统综述
- Tony - 所有文章 - UCD大社区上个月写过一篇产品推荐的文章，详情请见《我所了解的产品推荐》，内容很泛，多为工作心得. 本周读了几篇相关的论文，收获颇多，分享点干货. 以下内容摘自《个性化推荐系统的研究进展》，该文发表于2009年1月的《自然科学进展》专题评述，作者是刘建国、周涛、汪秉宏. 我略去了具体的算法和许多公式，重点看原理、思路和比较.