出自于论文Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model
一、Baseline estimates
A baseline estimate for an unknown rating rui is denoted by bui and accounts for the user and item effects:
二、邻域模型（改进）
1、item j,i的相似度计算
2.1 评分预测改进
2.2评分预测改进2
改进的原因：以前的模型取决于与用户u中的物品i相似的邻居，使用户u缺失了独立
2.3评分预测改进3
R(U)为显性评分数据，如某用户对电影的打分，N(U)为隐性评分，如用户浏览了某物品，但未评分，Cij是该公式的补偿，
2.4评分预测改进4
3.代价函数
三、隐语义模型
1.代价函数
2.预测评分（ASVD方法（Asymmetric-SVD ）））
Xj和Yj是商品的属性，用户矩阵P已经被去掉了，取而代之的是利用用户评过分的商品和用户浏览过尚未评分的商品属性来表示用户属性，这是因为用户的行为记录本身就能反应用户的喜好。
相应的代价函数为
3.预测评分（SVD++）
四、评分预测的结合和改进（邻域方法与隐语义模型方法）
