思路可參考：
可以用最大的k個的奇異值描述矩陣。 所以svd可以用於pca降維，來做資料壓縮和去噪。
也可以用於推薦演算法，將使用者和喜好對應的矩陣做特徵分解，進而得到隱含的使用者需求來做推薦
將使用者和物品分別對映到各自的特徵空間，然後通過兩個特徵向量的內積來**使用者對乙個物品的喜好程度。
計算真實值和**值的平方誤差，然後用梯度下降法更新
在lfm中，只考慮了使用者特徵向量和物品特徵向量（顯示反饋）和偏置向量，在svd++中，進一步考慮了使用者對其有過瀏覽/評分行為的商品的隱式反饋.
nu是使用者有過瀏覽等行為的物品組合
推薦演算法 矩陣分解
相關位址 矩陣分解是乙個非常優雅的推薦演算法，因為當設計到矩陣分解時，我們通常不會太多地區思考哪些專案將停留在所得到矩陣的列和行中。但是其使用這個推薦引擎，我們清楚地看到，u是第i個使用者的興趣向量，v是第j個電影的引數向量。所以我們可以通過u和v的點積來估算x 第i個使用者對第j個電影的評分 我們...
推薦系統ALS矩陣分解
思想類似線性回歸做 大致如下 定義乙個 模型 數學公式 然後確定乙個損失函式，將已有資料作為訓練集，不斷迭代來最小化損失函式的值，最終確定引數，把引數套到 模型中做 矩陣分解的 模型是 損失函式是 我們就是要最小化損失函式，從而求得引數q和p。矩陣分解模型的物理意義 我們希望學習到乙個p代表user...
矩陣分解推薦演算法（LMF）
首先我們現在有乙個矩陣 r 其中 r 代表第 i 個使用者對第 j 個商品的喜愛程度。lmf 演算法認為每個商品上面都有一些隱因子，而顧客的喜愛程度是由這些隱因子來決定的。因此便可以將 r 分解成 p times q 的形式。矩陣 p 代表了這 m 個使用者對 f 個隱因子的喜愛程度，q 代表這 f...