一、前述
隱語義模型是近年來推薦系統領域較為熱門的話題，它主要是根據隱含特徵將使用者與物品聯絡起來。
因為使用者和物品之間有著隱含的聯絡。所以把使用者轉成隱語義，然後物品轉成隱語義組合，通過中介隱含因子連線。
二、具體
1、隱語義模型舉例和求解
N代表使用者，M代表物體
第一步：先分解 將使用者分解成F個因子的矩陣 將物品也分解成F個因子的矩陣 （F*N）T*(F*M )=N*M 其中T表示轉置。
第二步：轉成機器學習模型：
RUI代表使用者對物品的關係
Pu代表使用者對隱藏因子的關係
QI代表物品對隱藏因子的關係
轉換成機器學習模型，必須先找出損失函式。
損失值=預測值-真實值 其中預測值即分解的RUI ，真實值就是真實的RUI，我們希望找出P矩陣（使用者和隱藏因子的和關係）和Q矩陣（物品和隱藏因子的關係），實際上就是找出對應的引數，所以這些引數就是我們需要求解的模型，我們將這些引數加入到損失函式裡面去，做正則化。
第三步：求解模型
對損失函式求導：
對引數更新迭代：沿著梯度下降的方向，P ，Q就是具體的引數
第四步：建模求解，選擇正負樣本。
正樣本：使用者對物品打分就是正樣本。
負樣本：選取那些很熱門，而使用者卻沒有行為的物品。
對每個使用者，要保證正負樣本的平衡（數目相似）
對於使用者—物品集K {(u,i)}，其中如果(u, i)是正樣本，則有 ???= 1，負樣本則???= 0
第五步：引數選擇
F值越大，表示對映維度越多。
隱特徵的個數F，通常F=100
學習速率alpha，別太大
正則化引數lambda，別太大
負樣本/正樣本比例 ratio
第六步：模型使用
根據求得的P和Q，還原回去可得原使用者對物品的評分矩陣，從而進行推薦。
2、協同過濾VS隱語義比較
原理：協同過濾基於統計，隱語義基於建模
空間複雜度，隱語義模型較小
實時推薦依舊難，目前離線計算多
隱語義模型咋解釋呢？不解釋