上面介绍了UserCF和ItemCF协同算法，也是在之前常用的推荐算法；不过这几年又出来了一个协同算法LFM（隐语义模型），隐语义模型的核心思想是通过隐含特征 ( latent factor ) 联系用户兴趣和物品。
举个例子，用户A的兴趣涉及侦探小说、科普图书以及一些计算机技术书，而用户B的兴趣比较集中在数学和机器学习方面。
要给 A 和 B 推荐图书：
对于UserCF，首先需要找到和他们看了同样书的其他用户（兴趣相似的用户），然后给他们推荐那些用户喜欢的其他书；
对于ItemCF，需要给他们推荐和他们已经看的书相似的书，比如作者B看了很多关于数据挖掘的书，可以给他推荐机器学习或者模式识别方面的书。
其实上面的推荐缺少了用户兴趣和物品之间的关系，也就是用户A和用户B之间有一定的相似度，但不是完全一样
如：用户A兴趣侦探小说，计算机技术；用户B兴趣侦探小说，经济学；那很有可能会把经济学类的书推荐给用户A。
那如何解决呢？我们只要加上用户兴趣和物品之间的关系就可以了。可以先对书和物品的兴趣进行分类。对于某个用户，首先得到他的兴趣分类，然后从分类中挑选他可能喜欢的物品。
这个基于兴趣分类的方法大概需要解决三个问题：
(1) 如何给物品进行分类？
(2) 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度？
(3) 对于一个给定的类，选择哪些属于这个类的物品推荐给用户，以及如何确定这些物品在一个类中的权重？
这个就是LFM所要解决的问题，我们会在下一篇文章中给大家进行分享，谢谢！！！
看完三件事❤️
如果你觉得这篇内容对你还蛮有帮助，我想邀请你帮我三个小忙：
点赞，转发，有你们的 『点赞和评论』，才是我创造的动力。
关注公众号 『 阿风的架构笔记 』，不定期分享原创知识。
同时可以期待后续文章ing