隱語義模型

　　自從Netflix Prize比賽舉辦以來，LFM(latent factor model)隱語義模型逐漸成為推薦系統領域耳熟能詳的名詞．其實該演算法最早在文字挖掘領域被提出，用於找到文字的隱含語義．相關的名詞有LSI, pLSA, LDA和Topic Model．本節將對隱含語義模型在Top-N推薦中的應用進行詳細介紹，並通過實際的資料評測該模型．

一，基礎演算法

　　它的核心思想是通過隱含特徵(latent factor)聯絡使用者興趣和物品.如豆瓣上圖書推薦

　　編輯給出的分類仍然具有以下缺點：

　　　　編輯的意見不能代表各種使用者的意見

　　　　編輯很難控制分類的粒度

　　　　編輯很難給一個物品多個分類

　　　　編輯很難給出多維度的分類

　　　　編輯很難決定一個物品在某一個分類中的權重

　　為了解決上面的問題，研究人員提出：為什麼我們不從資料出發，自動地找到那些類，然後進行個性化推薦？於是，隱含語義分析技術(latent variable analysis）出現了．隱含語義分析技術因為採取基於使用者行為統計的自動聚類，較好地解決了上面提出的５個問題．