顯然我們不能靠由單個人（編輯）或team的主觀想法建立起來的分類標準對整個平台使用者喜好進行標準化。
此外我們還需要注意的兩個問題：
我們在可見的使用者書單中歸結出3個類別，不等於該使用者就只喜歡這3類，對其他類別的書就一點興趣也沒有。也就是說，我們需要了解使用者對於所有類別的興趣度。
對於乙個給定的類來說，我們需要確定這個類中每本書屬於該類別的權重。權重有助於我們確定該推薦哪些書給使用者。
下面我們就來看看lfm是如何解決上面的問題的？對於乙個給定的使用者行為資料集（資料集包含的是所有的user, 所有的item，以及每個user有過行為的item列表），使用lfm對其建模後，我們可以得到如下圖所示的模型：（假設資料集中有3個user, 4個item, lfm建模的分類數為4）
r矩陣是user-item矩陣，矩陣值rij表示的是user i 對item j的興趣度，這正是我們要求的值。對於乙個user來說，當計算出他對所有item的興趣度後，就可以進行排序並作出推薦。lfm演算法從資料集中抽取出若干主題，作為user和item之間連線的橋梁，將r矩陣表示為p矩陣和q矩陣相乘。其中p矩陣是user-class矩陣，矩陣值pij表示的是user i對class j的興趣度；q矩陣式class-item矩陣，矩陣值qij表示的是item j在class i中的權重，權重越高越能作為該類的代表。所以lfm根據如下公式來計算使用者u對物品i的興趣度
我們發現使用lfm後，
我們不需要關心分類的角度，結果都是基於使用者行為統計自動聚類的，全憑資料自己說了算。
不需要關心分類粒度的問題，通過設定lfm的最終分類數就可控制粒度，分類數越大，粒度約細。
對於乙個item，並不是明確的劃分到某一類，而是計算其屬於每一類的概率，是一種標準的軟分類。
對於乙個user，我們可以得到他對於每一類的興趣度，而不是只關心可見列表中的那幾個類。
對於每乙個class，我們可以得到類中每個item的權重，越能代表這個類的item，權重越高
那麼，接下去的問題就是如何計算矩陣p和矩陣q中引數值。一般做法就是最優化損失函式來求引數。在定義損失函式之前，我們需要準備一下資料集並對興趣度的取值做一說明。
資料集應該包含所有的user和他們有過行為的（也就是喜歡）的item。所有的這些item構成了乙個item全集。對於每個user來說，我們把他有過行為的item稱為正樣本，規定興趣度rui=1，此外我們還需要從item全集中隨機抽樣，選取與正樣本數量相當的樣本作為負樣本，規定興趣度為rui=0。因此，興趣的取值範圍為[0,1]。
取樣之後原有的資料集得到擴充，得到乙個新的user-item集k=，其中如果(u,i)是正樣本，則rui=1，否則rui=0。損失函式如下所示：
上式中的
通過求引數puk和qki的偏導確定最快的下降方向；
迭代計算不斷優化引數（迭代次數事先人為設定），直到引數收斂。
其中，α是學習速率，α越大，迭代下降的越快。α和λ一樣，也需要根據實際的應用場景反覆實驗得到。本書中，作者在movielens資料集上進行實驗，他取分類數f=100，α=0.02，λ=0.01。
綜上所述，執行lfm需要：
根據資料集初始化p和q矩陣（這是我暫時沒有弄懂的地方，這個初始化過程到底是怎麼樣進行的，還懇請各位童鞋予以賜教。）
確定4個引數：分類數f，迭代次數n，學習速率α，正則化引數λ。
推薦系統之LFM
這裡我想給大家介紹另外一種推薦系統，這種演算法叫做潛在因子 latent factor 演算法。這種演算法是在netflix 沒錯，就是用大資料捧火 紙牌屋 的那家公司 的推薦演算法競賽中獲獎的演算法，最早被應用於電影推薦中。這種演算法在實際應用中比現在排名第一的 邰原朗 所介紹的演算法誤差 rms...
推薦系統之LFM
這裡我想給大家介紹另外一種推薦系統，這種演算法叫做潛在因子 latent factor 演算法。這種演算法是在netflix 沒錯，就是用大資料捧火 紙牌屋 的那家公司 的推薦演算法競賽中獲獎的演算法，最早被應用於電影推薦中。這種演算法在實際應用中比現在排名第一的 邰原朗 所介紹的演算法誤差 rms...
推薦系統（二） 協同過濾之隱語義模型（LFM）
三 小結 基於使用者行為分析的推薦演算法一般稱為協同過濾演算法。所謂協同過濾，就是指眾多的使用者可以齊心協力，通過不斷地和 互動，使自己的推薦列表能夠不斷過濾掉自己不感興趣的物品，從而越來越滿足自己的需求。常見實現方法的包括 基於鄰域的方法 隱語義模型 基於圖的隨機遊走演算法 在講解lfm之前，先看...