【论文标题】Matrix Factorization Techniques for Recommender Systems（2009，Published by the IEEE Computer Society）
【论文作者】Yehuda Koren（Yahoo Research） , Robert Bell and Chris Volinsky（ AT&T Labs—Research）
【论文链接】Paper （8-pages // Double column）
【Info】
此篇论文的作者是netflix prize 2007冠军。
【摘要】
正如Netflix奖竞赛所展示的那样，矩阵分解模型（matrix factorization models）优于传统的近邻技术（nearest-neighbor techniques），以产生产品推荐，允许添加额外的信息，如隐式反馈、时间效应和置信水平。
【总述】
现代的消费者被各种选择所淹没。电子零售商和内容提供商提供了大量的产品，提供了前所未有的机会来满足各种特殊的需求和口味。将消费者与最合适的产品相匹配是提高用户满意度和忠诚度的关键。因此，越来越多的零售商开始对推荐系统感兴趣，该系统分析用户对产品的兴趣模式，以提供符合用户口味的个性化推荐。因为好的个性化推荐可以为用户体验增加另一个维度，像亚马逊和Netflix这样的电子商务领导者，已经将推荐系统作为其网站的重要组成部分。
这样的系统对诸如电影、音乐和电视节目等娱乐产品特别有用。许多顾客会看同一部电影，每个顾客都可能会看很多不同的电影。事实证明，客户愿意表明他们对特定电影的满意程度，因此有大量的数据可供选择，哪些电影对哪些客户具有吸引力。公司可以分析这些数据，进而向特定的客户推荐电影。
【推荐系统的策略】