推荐系统本质是如何预测评分的问题

推荐系统的目标是向用户推荐他没有体验过的那些物品，没体验过的物品有很多，推荐哪一个呢，这需要预测用户对某个物品的评分，评分高的物品被推荐给用户，所以推荐系统的本质其实是一个预测问题。
协同过滤会先算用户的相似度，然后把相似用户给物品的评分乘以两者的相似度，作为目标用户对物品的预测评分，预测评分大的加入推荐列表，说明协同过滤的最后还是预测。

矩阵分解也是预测问题，基于矩阵分解的推荐算法，简单入门

【我开始一直不明白矩阵分解和推荐系统有什么关系，后来理解了，矩阵分解就是为了预测稀疏(即包含很多未知数值，未知是因为用户没有体验过该物品，因此没有评分）的用户评分矩阵中，缺失（未知）的那些元素的具体是哪些值，假如能够预测出来，那么这些评分中分数最高的那些物品就是推荐列表所需要的】

推荐系统大致分成两类：协同式算法和基于内容的算法。

协同式算法又分为基于领域(Neighborhood-based)的算法和隐语义模型（Latent Factor Model）.

基于领域的方法认为有做出相似评分的用户具有相似的偏好，而被给予相似评分的物品具有相似的属性。

隐语义模型则认为每个评分向量都是一系列因素(Factor)综合作用的体现。这些因素能从评分中推断出来。推断的方法主要是矩阵分解技术。

经典的矩阵分解方法是SVD，它能识别和减少具有相关性的因素的数量。但SVD需要完整的用户评分向量，而如果评分矩阵是稀疏的，它要求能够对稀疏矩阵进行填充，而且这样做会降低准确率。