shulixu的博客

Topic Model，Latent Factorization Model(LFM)都是把用户*item矩阵进行分解，中间产生的就是隐变量（在主题模型中被称为隐含主题）。TF就是更高维度的张量（比如加入环境变量或者上下文信息）用不同的分解方法（Tucker,CP）进行张量分解。以下来自http://blog.youkuaiyun.com/pipisorry/article/details/4566577

转自http://www.cnblogs.com/zz-boy/archive/2012/08/27/2658063.html推荐系统常用的： 1)MovieLensMovieLens数据集中，用户对自己看过的电影进行评分，分值为1～5。MovieLens包括两个不同大小的库，适用于不同规模的算法．小规模的库是943个独立用户对1682部电影作的10000次评分的数据；大规模的库是60

我试着在这里说些想法。矩阵分解技术和模型组合方法可能是与Netflix Prize有关最多被讨论的算法，但我们也使用了很多其他的洞见。Normalization of Global Effects 全局效应的正常化假设Alice给《盗梦空间》打4分。我们可认为这个评分由以下几部分组成：基准分（比如所有用户给电影打的分的均值是3.1分） Alice的专门效应（比如爱丽丝倾向于打出比平

1.矩阵分解（MF）目前推荐系统中用的最多的就是矩阵分解方法，在Netflix Prize推荐系统大赛中取得突出效果。以用户-项目评分矩阵为例，矩阵分解就是预测出评分矩阵中的缺失值，然后根据预测值以某种方式向用户推荐。常见的矩阵分解方法有基本矩阵分解（basic MF），正则化矩阵分解）（Regularized MF），基于概率的矩阵分解（PMF）等。 利用代数中SVD方法对矩阵进行分解。奇异值