个性化推荐典型任务与传统算法

典型任务和算法（模型）

1.1 标签匹配

1.2 LDA主题模型

以user-based协同过滤为例：找出与当前User i最相似的N个User，并根据N个User对Item的打分估计 i 对该Item的打分。相似度采用jaccard similarity 或 Cosine Similarity：

sim(x,y)=rx∩ryrx∪ry

sim(x,y)=1−cosine(x,y)=1−A⋅B∣∣A∣∣ ∣∣B∣∣

矩阵分解相当于：表示学习（用户、物品）+相似匹配

2.3.1.SVD(PCA):

奇异值分解，通过降维的方法来补全用户-物品评分矩阵，对矩阵中没有出现的值进行估计。缺点是分解前需补全R矩阵的缺失值（比如用全局平均值或用户、物品平均值进行补全），耗费存储大；计算复杂度高。

R′=Um×mSm×nVTn×n

2.3.2.ALS:

交替最小二乘梯度下降

R′=Xm×kYTn×k