关于张量分解的一些事(Tucker、HOSVD、CP)

本篇文章主要讲解Tucker分解和HOSVD。
笔者水平不够，见谅。

一.基础篇

张量分解顾名思义即是对张量进行分解操作。在我们日常生活中，三维或三维以上的数据可以称为张量。
在此篇章，我们将介绍n-mode乘积的基础，关于svd分解、秩1张量分解的基础可以查阅别的资料。
后续看情况再更≧ ﹏ ≦

1.张量的矩阵化表示方法

简单来说，作为三维或更高维的张量，为了方便对其进行研究，我们需要将张量化为矩阵的形式。

如上图所示，张量有Fibers和Slices两种矩阵化表示方法。对于后续的说法说明我们默认张量按照Frontal slices来矩阵化。

2.n-mode乘积

假设有一个张量$\mathrm{X}\in R^{3\times 4\times 2}$

让$\mathrm{X}$的Frontal slices为：
$\mathrm{X}\left(1\right)=\left[\begin{array}{cccc}1& 4& 7& 10\\ 2& 5& 8& 11\\ 3& 6& 9& 12\end{array}\right]$

$\mathrm{X}\left(2\right)=\left[\begin{array}{cccc}13& 16& 19& 22\\ 14& 17& 20& 23\\ 16& 18& 21& 24\end{array}\right]$
张量$\mathrm{X}\in R^{3\times 4\times 2}$的mode-n分别为：
${\mathrm{X}}_{\left(1\right)}=\left[\begin{array}{cccccccc}1& 4& 7& 10& 13& 16& 19& 22\\ 2& 5& 8& 11& 14& 17& 20& 23\\ 3& 6& 9& 12& 16& 18& 21& 24\end{array}\right]$

${\mathrm{X}}_{\left(2\right)}=\left[\begin{array}{cccccc}1& 2& 3& 13& 14& 15\\ 4& 5& 6& 16& 17& 18\\ 7& 8& 9& 19& 20& 21\\ 10& 11& 12& 22& 23& 24\end{array}\right]$

${\mathrm{X}}_{\left(3\right)}=\left[\begin{array}{cccccccc}1& 2& 3& 4& ..& 10& 11& 12\\ 13& 14& 15& 16& ..& 22& 23& 24\end{array}\right]$

也可以直接对$\mathrm{X}$向量化：
$vec(\mathrm{X})=\left[\begin{array}{c}1\\ 2\\ ..\\ 24\end{array}\right]$
对此我们同样可以推广到N维$\mathrm{X}\in R^{I_1\times I_2\times ...\times I_n}$。

细节看图：

二.正篇（Tucker分解、HOSVD分解）

关于Tucker分解和HOSVD分解，我也是一开始混淆不清这两个之间的关系，不过我们从公式分析就可以窥其奥秘。
结论：HOSVD是Tucker分解的一种特殊情况

2.1Tucker分解

Tucker分解的几种变体：

2.2.HOSVD分解

内积有三种英文单词：inner product,dot product,scalar product
关于SVD的介绍，这里暂时先略过，后面有时间再介绍。
唉，感觉怎么写都像抄书

HOSVD细节说明：