矩阵分解（Matrix-Factorization）无门槛

本章内容

本章主要介绍矩阵分解常用的三种方法，分别为：
$\stackrel{◯}{1}$特征值分解
$\stackrel{◯}{2}$奇异值分解
$\stackrel{◯}{3}$Funk-SVD

$\text{矩阵分解原理：}$

  矩阵分解算法将$m\times n$ 维的矩阵$R$分解为$m\times k$的用户矩阵$P$和$k\times n$维的物品矩阵$Q$相乘的形式。其中$m$为用户的数量，$n$为物品的数量，$k$为隐向量（Latent Factor）的维度。$k$的大小决定了隐向量表达能力的强弱，实际应用中，其取值要经过多次的实验来确定。在得到了$P$用户矩阵和物品矩阵$Q$后，将两个矩阵相乘，就可以得到一个满秩的矩阵。那么，我们就对未被评价过的物品，有了一个预测评分。接下来，可以将评分进行排序，推荐给用户。这就是矩阵分解对于推荐系统最基本的用途。
  矩阵分解的目的就是通过分解之后的两矩阵内积，来填补缺失的数据，用来做预测评分。矩阵分解的核心是将矩阵分解为两个低秩的矩阵的乘积，分别以$k$维的隐因子向量表示，用户向量和物品向量的内积则是用户对物品的偏好度，即预测评分。值得注意的是$k$的选取是通过实验和经验而来的，因此矩阵分解的可解释性不强。
$\text{一、特征值分解}$
  $A$为$n$阶矩阵，若数$\lambda$和$n$维非0列向量$\vec{v}$满足$A\vec{v}$ = $\lambda$$v$