摘要：
以前的推荐使用用户的明确反馈，我们使用隐反馈；
文中方法优化过程和数据量呈线性关系；可以很好地和已有系统融合；
我们讲给出一个方法的解释。
1、介绍
1）电子商务对推荐要求很大
2）传统的推荐方法：
一、基于内容，缺点：数据不好搜集
二、协同过滤：优点：领域无关，可以捕获基于内容难以获得的信息，精度高
缺点：冷启动，基于内容的无此问题
3）推荐系统的数据类型：
一、显性数据：评分，赞同/反对（thumbs-up/down），可用数据少
二、隐性数据：购买、浏览、搜索等，数据多
4）隐性反馈数据的特点：
一、没有负反馈
二、数据有噪声：可能不是出于自己的需求发生行为（送礼）；买了不喜欢；观看热门视频
三、显性数值特征反应偏好，隐性特征反应信心
四、度量标准不好确定：显性反馈用MSE，隐性不知道
2、基础设置
u,v表示用户；i,j表示item；r(u,i)表示行为or打分；没有行为记为0分。
3、之前的工作
1）邻域模型：先有user-base，后有item-base；item-base效果更好，原因是item反应用户偏好；而相似用户估计不准
item-cf在显性反馈中用的也多，并且可以使用用户和item bias优化；但是隐性反馈使用诸如频次这样的数据，不适合；
item-cf不好的地方在于无法区分用户偏好
2）LFM：pLSA,nn,LDA,SVD
svd用于显性数据；优于cf
本文核心是用svd于隐性数据
4、建模
1）模型：带权重的svd，权重项表示confidence
2）数据量级太大，sgd难以计算，使用als计算；als在大量miss值时好计算，在dense情况下不好算
3）基于ALS的优化，使时间复杂度降低为线性时间（推导没看懂）
4）建模变形：p(u,i)和c(u,i)的变化
5、模型解释
和模型推导一样，没看明白
6、