想學(xué)習(xí)推薦系統(tǒng)，如何從小白成為高手（https://www.zhihu.com/question/23194692）里有一個(gè)回答說(shuō)：

“關(guān)于推薦系統(tǒng)，如果忘掉所有的公式和代碼，忘記所有的語(yǔ)言描述，腦海里就剩下幾張圖景，會(huì)是什么？

一張二維表格，一個(gè)拓?fù)鋱D，一條時(shí)間線。

這三幅圖景，是我看待推薦算法的三種視角，分享給大家便于理解?！?/p>

這其中的表格就是基于用戶對(duì)商品評(píng)分的表格。

正好前面有寫(xiě)過(guò)協(xié)同過(guò)濾和SVD一些算法，就能都串起來(lái)了：

協(xié)同過(guò)濾算法主要分為兩類，一類是基于鄰域的方法(neighborhood methods)，另一類是隱語(yǔ)義模型(latent factor models)。

基于鄰域的方法就是協(xié)同過(guò)濾里最經(jīng)典的user-based和item-based：見(jiàn)前面的 http://m.itdecent.cn/p/23f03233e26c

基于隱語(yǔ)義模型的就是SVD的眾多方法：

SVD：需要填充到一個(gè)較為稠密的矩陣，然后奇異值分解，再取較大的k個(gè)奇異值對(duì)應(yīng)的m*k k*k k*n的三個(gè)矩陣，有點(diǎn)感覺(jué)不出這個(gè)的意義在哪，明明已經(jīng)用均值填充到稠密了，然后再基于這個(gè)填充的矩陣做SVD，弄一個(gè)近似出來(lái)

FunkSVD（又稱Latent Factor Model）：找到合適的矩陣分解來(lái)最小化訓(xùn)練集的誤差，可以加上正則避免過(guò)擬合太嚴(yán)重，從此MF開(kāi)始大放異彩

BiasSVD：每個(gè)分?jǐn)?shù)可能有來(lái)自整體的bias，有來(lái)自用戶的bias，有來(lái)自商品本身的bias，把這些bias拿出來(lái)，剩下的分?jǐn)?shù)再用矩陣分解的方式建模

SVD++(結(jié)合鄰域和BiasSVD)：這里大概的思想是把每個(gè)分?jǐn)?shù)里可能來(lái)自領(lǐng)域的再拿出來(lái)，并且也做矩陣分解，但是怎么分的我還沒(méi)弄太明白

加入時(shí)間信息的SVD：比如BiasSVD，就把每個(gè)值都看做時(shí)間的函數(shù)，隨時(shí)間衰減。