1. 协同过滤（CF）
协同过滤分基于用户和基于物品的协同过滤，不管哪种方式，计算步骤如下：
I. 收集用户偏好
II. 找到相似的用户或物品
III. 计算推荐
所谓的用户偏好就是：用户与物品之间的联系，如评分、投票、转发、保存书签、标记标签等用户行为。
所谓的相似用户（或物品）就是：计算向量间的相似度。举例如下：
有用户ABCDE，以及他们对商品1和商品2的打分，建立笛卡尔坐标系，横轴是用户对商品1的评分，纵轴是用户对商品2的评分，那么用户A和用户E的相似度就是AE的欧氏距离。
对于相似度，我们有多种计算方式：欧氏距离，皮尔逊相关系数，COS相似度等，目前应用比较广泛的是皮尔逊相关系数。计算公式如下：
I. 欧几里得距离公式
II. 皮尔逊相关系数（协方差除以标准差）
III. COS相似度
相似度计算好后，选择相似的用户或物品的方式有两种：一是选择固定前几位，二是选择一个阈值，该阈值范围内的都是近邻
协同过滤到此可分别分析基于用户和基于物品的协同过滤。
1.1. 基于用户的协同过滤
核心思想：计算用户之间的相似度，比如上面A和C的相似度高，那么把C喜欢的物品D推荐给A。这里计算相似度时，可以将用户对物品的喜好映射成向量再计算相似度，比如用户A的向量是[1 0 1 0]，用户B的向量是[0 1 0 0]
这种模型的问题：
I. 基于用户的协同过滤会产生一张很大的稀疏矩阵（比如淘宝用户几亿，商品千千万万，每人喜好就那几样，比如我买过一样调料品，我对应的向量是[000000...001000...0000]，只有某列为1，其余全为0）
II. 我们计算相似度需要两两计算，如果有5亿用户就得计算
次，计算量太大
III. 对于新用户，无法得到可用向量
IV. 如果一个物品卖得好，但是相邻用户没有打分，这个物品就不会被推荐，则进入恶性循环。
针对这些问题的相关建议：
I. 相似度计算用皮尔逊相关系数
II. 用户相似度上再乘以
，n为共同打分数，N为设置的阈值，这是基于共同的喜好的数目，进一步筛选相似的用户
III. 对数据进行归一化，消除数据本身的影响
IV. 设置阈值，阈值范围内的就是近邻。
1.2. 基于物品的协同过滤
核心思想：计算物品之间的相似度，比如上图A与C相似度高，那么把物品C推荐给喜欢物品A的用户C。这里计算相似度，把用户对商品的喜好映射成向量，比如物品A的向量是[1 1 1]，物品B的向量是[0 1 0]。
这种模式的优势：
I. 通常情况下物品数量远远小于用户数量，这样基于物品的向量计算量会小些
II. 可以预想计算相似度，物品是不会变的，人的喜好是会变的
1.3. 冷启动问题
不管是基于用户的协同过滤还是基于物品的协同过滤，都会遇到冷启动问题：
基于用户冷启动问题：
I. 引导用户把自己的属性表达出来（不如第一次进入会问你感兴趣的领域）
II. 利用现有的开放数据平台获取用户属性
III. 利用注册信息（不是很好）
IV. 推荐排行榜单，大众从众心理，再慢慢收集用户喜好
基于物品冷启动问题：
I. 文本分析
II. 主题建模
III. 打标签
IV. 推荐排行榜单
前三种是根据物品的描述
两种协同过滤的比较：
应用场景，基于用户的协同过滤：时事新闻，突发情况；基于物品的协同过滤：电子商务，电影等。
2. 隐语义模型（LFM）
协同过滤是基于统计学，这种模型可以很好地解释，但隐语义模型中包含两个隐含因子，类似于神经网络的隐藏层，根本不好解释隐含因子与最终结果有什么直观联系，但这并不妨碍我们去做这个模型。我们只需要根据现有的数据去训练出合适的隐含因子，使得目标函数最优化，那么模型就是可用的。
LFM在各项指标性能上均优于UserCF和ItemCF。但当数据集非常稀疏时，LFM的性能明显下降。甚至不如UserCF和ItemCF。
2.1. 对隐含语义模型的理解
我有N个用户对M个电影的评分数据
首先，我要对这个N*M矩阵进行分解，得出用户与隐含因子的关系（F*N矩阵），电影与隐含因子的关系（F*M矩阵），当然事先你可以随便设置这两个矩阵。然后与最终结果对比，即损失值，然后反向传播更新隐含因子，使得隐含因子下的目标函数损失最小。这个过程类似BP神经网络。
得到最优的F*N，F*M矩阵，再计算F*N的转置矩阵乘以F*M，还原为N*M矩阵，如下图
2.2. 目标函数
有了目标函数，对目标函数求偏导，就完成了
参数选择：
I. 特征个数F不要太大，类似神经网络中的神经元个数
II. 学习率不好太大
III. 正则项参数不要太大
IV. 负样本/正样本比例确定好，根据准确率、召回率、覆盖率确定。