参考一:https://www.cnblogs.com/endlesscoding/p/10033527.html
里面讲述了SVD相关的矩阵基本概念和SVD在图片中的应用
参考二:https://www.bilibili.com/video/av15971352?p=3
奇异值是7.7和2.6,小的奇异值可以舍掉,可以减少计量,也可以除噪
是由C同理B的操作得到的
参考三:https://www.cnblogs.com/flightless/p/10424035.html
详解了SVD和SVD在推荐系统中的应用,通过SVD实现评分矩阵的降维,这样计算相似性时速度更快(并附有代码)
SVD应用于推荐系统
1.(M是User-item矩阵)
2.
3.
ps(通过Vn×k矩阵计算物品相似度的,这步降维使得计算更为快速)
数据集中行代表用户user,列代表物品item,其中的值代表用户对物品的打分。基于SVD的优势在于:用户的评分数据是稀疏矩阵,可以用SVD将原始数据映射到低维空间中,然后计算物品item之间的相似度,可以节省计算资源。
整体思路:先找到用户没有评分的物品,然后再经过SVD“压缩”后的低维空间中,计算未评分物品与其他物品的相似性,得到一个预测打分,再对这些物品的评分从高到低进行排序,返回前N个物品推荐给用户。