Spark MLlib矩阵分解源码分析

基础知识

特征值分解

如果一个向量 $v$ 是方阵 $A$ 的特征向量，可以表示成下面的形式：

$$Av = \lambda v$$
其中， $\lambda$ 为特征向量 $v$ 对应的特征值，矩阵 $A$ 的特征向量是相互正交的。
特征值分解是将矩阵 $A$ 分解为如下形式：
$$A=Q\sum Q^{-1}$$
其中，矩阵 $Q$ 是 $A$ 的特征向量组成的矩阵， $\sum$ 是对角矩阵。

奇异值分解

如果矩阵 $A$ 不是方阵，是 $m * n$ 的矩阵，$m \geq n$。奇异值分解是将矩阵 $A$ 分解成如下形式：

$$A=U\sum V^T$$
其中， $U$ 是 $m*m$ 的方阵，里面的向量为左奇异向量，是相互正交的， $V$ 是 $n*n$ 的方阵，里面的向量为右奇异向量，是相互正交的， $\sum$ 是 $m*n$ 的对角矩阵，对角线上的元素为奇异值。
关于SVD的详细解释和实际含义，请参考 数据降维–SVD&CUR。

两者之间的关系

(