本文详细介绍了奇异值分解（SVD）的概念、定义、作用，包括在主成分分析（PCA）和潜在语义索引（LSI）中的应用，并通过实例阐述了SVD如何在推荐系统中进行用户和物品的特性提取，实现个性化推荐。
奇异值分解（Singular value decomposition）是一种矩阵分解技术，也是一种提取信息的方法。将一个比较复杂的矩阵用更小更简单的3个子矩阵的相乘来表示，这3个小矩阵描述了大矩阵重要的特性，可以起到降维简化数据，去除数据噪声的作用。
一、SVD定义：
1.回顾特征值和特征分解：
①特征值
如果一个向量v是 NxN 方阵A的特征向量，那么可以用下式表示：
其中λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是n个线性无关的特征向量。
②特征分解
令A是一个 N×N 的方阵，且有 N 个线性无关的特征向量
。这样，A 可以被分解为：
其中Q是 NxN 方阵，第i列为A的特征向量， Λ 是对角矩阵，其对角线上的元素为对应的特征值，也即
注意：只有可对角化矩阵才可以作特征分解
一般而言，
一般被正交化，（特征向量组
未被正交化也可组成Q）也就是说
,两边同乘以
,可以得到
,故表达式
最低0.47元/天 解锁文章
5122
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
