参考文献

概览

基于内容推荐

利用物品或内容的元数据(静态)衡量物品的相似度，给用户推荐相似的物品。

只考虑了对象的本身性质，将对象按标签形成集合，如果消费了集合中的一个，则推荐该集合中的其他对象。

协同过滤推荐

先协同，再过滤

充分利用了集体智慧：在大量的人群的行为和数据中收集答案
推荐的个性化程度高：考虑了兴趣相近的用户可能会对同样的东西感兴趣

基于用户

利用用户访问行为(动态)衡量用户的相似度，来互相推荐用户可能感兴趣的资源。

基于项目

基于用户的访问行为(动态)衡量物品的相似度，给用户推荐相似的物品

基于模型

隐语义模型(矩阵分解)

对于上面的打分矩阵，如果我们不添加任何条件的话，也即打分之间是相互独立的，我们就没法得到（u1，v3）的打分。所以在这个用户打分矩阵的基础上，我们需要提出一个限制其自由度的合理假设，使得我们可以通过观察已有打分来猜测未知打分。

思想：假设UI矩阵是低秩的，即在大千世界中，总会存在相似的人或物，即物以类聚，人以群分，然后我们可以利用两个小矩阵相乘来还原它。

求解方法：ALS算法要解决的问题就是计算小矩阵的参数值，并且只计算已知打分的重构误差。ALS的实现原理是迭代式求解一系列最小二乘回归问题。在每一次迭代时，固定用户因子矩阵或是物品因子矩阵中的一个，然后用固定的这个矩阵以及评级数据来更新另一个矩阵。之后，被更新的矩阵被固定住，再更新另外一个矩阵。如此迭代，直到模型收敛（或是迭代了预设好的次数）