基于协同过滤的推荐算法是主流思想之一； 基于模型与基于领域的推荐算法之间的区别为：基于领域的协同过滤是将用户的数据读入到内存中进行运算，也称为基于内存的协同过滤（Memory-based）。数据量少的情况下，可以在线实时推荐；基于模型的推荐（Model-based），采用机器学习的方式，分成训练集和测试集。离线训练时间比较长，但训练完成后，推荐过程比较快。 隐语义模型是指通过挖掘用户与物品之间的隐含联系，从而对用户进行推荐。

如上表所示，是一个user-item的评分表。 矩阵分解就是从评分矩阵中分解出user矩阵和item矩阵 user矩阵列数和item矩阵行数，为k，即隐变量的个数，自己设定。 矩阵分解做推荐系统的主要思想是用已知的user-item矩阵来分解为两个user矩阵和item矩阵，对分解后的user矩阵和item矩阵相乘得到每个用户对每部电影的预测评分，评分值越大，表示用户喜欢该电影的可能性越大，该电影值得推荐给用户。 目标函数为： step1:得到user-item矩阵： step2：分解为user矩阵和item矩阵，隐含特征为k(自己设定)，k越大，计算量越大，k值即user列数和item行数 将user矩阵和item矩阵得到每个用户对影片的评分预测。（user-item矩阵如何分解为user矩阵和item矩阵见下节）

step3.根据每个用户对影片的评分预测，对用户进行推荐。

分解的好不好需要用到评估指标，评估预测值和真实值之间的差距： 如何对目标函数进行最优化解法，有两种常用的方差： 1.交替最小二乘法（Alternating Least Squares，ALS）； 2.随机梯度下降（Stochastic Gradient Descent，SGD ）

最小二乘法由统计学家提出，应用广泛，简而言之是要求预测值与真实值差值的平方和大最小。ALS交替最小二乘法是固定一个来优化另一个。 即：step1，固定user矩阵，优化item矩阵； step2，固定item矩阵优化user矩阵； step3.重复step1和step2，知道两个矩阵收敛。 针对目标函数： step1：固定Y优化X 将目标函数转化为矩阵表达形式

对目标函数J关于x求梯度，并令梯度为零，得 求解后可得： step2：同理求得y

梯度下降主要分为三种： 全量梯度下降： 特点：在每次更新时用所有样本，稳定，但收敛慢； 随机梯度下降： 每次更新时用1个样本，用1个样本来近似所有的样本，更快收敛，最终解在全局最优解附近； 小批量梯度下降： 每次更新用b个样本，折中，速度较快。