矩阵分解（基于模型的CF）

基于模型的CF：模型中包含参数，通过训练来优化参数，是误差目标最小

矩阵分解(隐语义模型)，可以用来降维

输入矩阵4*3（m=4,n=3）

	I1	I2	I3
U1	?	3	5
U2	4	?	6
U3	?	?	7
U4	8	8	？

输入矩阵即用户对Item进行打分后的打分矩阵，其中"?"表示待计算的分数，以此进行推荐。 

User矩阵4*2(m=4,k=2)

	K1	K2
U1	0.4	0.3
U2	0.2	0.5
U3	0.6	0.5
U4	0.4	0.8

Item矩阵2*3(k=2,n=3)

	I1	I2	I3
K1	0.3	0.2	0.6
K2	0.4	0.5	0.4

 

输入矩阵进行矩阵分解得到上面两个 分解后的两个子矩阵，k=2,过渡矩阵为2*2，每个User和Item都对应K1和K2，上面两个矩阵相乘得到下面的输出矩阵，且输出矩阵近似于原矩阵，该近似矩阵可以完成推荐目标。

输出矩阵4*3

	I1	I2	I3
U1	6.3	2.8	4.6
U2	4.5	3.6	5.8
U3	5.8	5.7	6.8
U4	7.8	7.5	6.8

• 模型训练的目标，输出矩阵和输入矩阵之间的误差最小。
• 输出矩阵的所有单元格都有值，确实值得填充代表用户评分的预测值。
• 模型训练的输出是用户向量和物品向量，都是k维的，代表k个不同的隐藏兴趣点（例如电影的标签：K1：动作片，K2：科幻片两个兴趣点）。
• 用户*用户，用户*物品，物品*物品分别都可以计算彼此的相似度。

矩阵分解的优点

• 将高维矩阵映射成地位矩阵的乘机，解决了数据稀疏性的问题；
• 预测的精度比较高，高于基于邻域的协同过滤以及基于内容等方法、

矩阵分解的缺点

• 推荐结果无法解释，其隐空间中的维度无法与现实中的概念对应起来。
• 模型训练比较费时，比如只能天粒度离线训练。