一、前述
隐语义模型是近年来推荐系统领域较为热门的话题，它主要是根据隐含特征将用户与物品联系起来。
因为用户和物品之间有着隐含的联系。所以把用户转成隐语义，然后物品转成隐语义组合，通过中介隐含因子连接。
二、具体
1、隐语义模型举例和求解
N代表用户，M代表物体
第一步：先分解 将用户分解成F个因子的矩阵 将物品也分解成F个因子的矩阵 （F*N）T*(F*M )=N*M 其中T表示转置。
第二步：转成机器学习模型：
RUI代表用户对物品的关系
Pu代表用户对隐藏因子的关系
QI代表物品对隐藏因子的关系
转换成机器学习模型，必须先找出损失函数。
损失值=预测值-真实值 其中预测值即分解的RUI ，真实值就是真实的RUI，我们希望找出P矩阵（用户和隐藏因子的和关系）和Q矩阵（物品和隐藏因子的关系），实际上就是找出对应的参数，所以这些参数就是我们需要求解的模型，我们将这些参数加入到损失函数里面去，做正则化。
第三步：求解模型
对损失函数求导：
对参数更新迭代：沿着梯度下降的方向，P ，Q就是具体的参数
第四步：建模求解，选择正负样本。
正样本：用户对物品打分就是正样本。
负样本：选取那些很热门，而用户却没有行为的物品。
对每个用户，要保证正负样本的平衡（数目相似）
对于用户—物品集K {(u,i)}，其中如果(u, i)是正样本，则有 ???= 1，负样本则???= 0
第五步：参数选择
F值越大，表示映射维度越多。
隐特征的个数F，通常F=100
学习速率alpha，别太大
正则化参数lambda，别太大
负样本/正样本比例 ratio
第六步：模型使用
根据求得的P和Q，还原回去可得原用户对物品的评分矩阵，从而进行推荐。
2、协同过滤VS隐语义比较
原理：协同过滤基于统计，隐语义基于建模
空间复杂度，隐语义模型较小
实时推荐依旧难，目前离线计算多