摘要：

以前的推薦使用用戶的明確反饋，我們使用隱反饋；

文中方法優化過程和數據量呈線性關系；可以很好地和已有系統融合；

我們講給出一個方法的解釋。

1、介紹

1）電子商務對推薦要求很大

2）傳統的推薦方法：

一、基於內容，缺點：數據不好搜集

二、協同過濾：優點：領域無關，可以捕獲基於內容難以獲得的信息，精度高

缺點：冷啟動，基於內容的無此問題

3）推薦系統的數據類型：

一、顯性數據：評分，贊同/反對（thumbs-up/down），可用數據少

二、隱性數據：購買、瀏覽、搜索等，數據多

4）隱性反饋數據的特點：

一、沒有負反饋

二、數據有噪聲：可能不是出於自己的需求發生行為（送禮）；買了不喜歡；觀看熱門視頻

三、顯性數值特征反應偏好，隱性特征反應信心

四、度量標準不好確定：顯性反饋用MSE，隱性不知道

2、基礎設置

u,v表示用戶；i,j表示item；r(u,i)表示行為or打分；沒有行為記為0分。

3、之前的工作

1）鄰域模型：先有user-base，後有item-base；item-base效果更好，原因是item反應用戶偏好；而相似用戶估計不準

item-cf在顯性反饋中用的也多，並且可以使用用戶和item bias優化；但是隱性反饋使用諸如頻次這樣的數據，不適合；

item-cf不好的地方在於無法區分用戶偏好

2）LFM：pLSA,nn,LDA,SVD

svd用於顯性數據；優於cf

本文核心是用svd於隱性數據

4、建模
1）模型：帶權重的svd，權重項表示confidence

2）數據量級太大，sgd難以計算，使用als計算；als在大量miss值時好計算，在dense情況下不好算

3）基於ALS的優化，使時間復雜度降低為線性時間（推導沒看懂）

4）建模變形：p(u,i)和c(u,i)的變化

5、模型解釋

和模型推導一樣，沒看明白

6、

【論文閱讀-CTR】<<Collaborative Filtering for Implicit Feedback Datasets>>閱讀