机器学习经典算法12-SVD及其在推荐中的应用

1.基本介绍

         就个人看来，其实SVD(singular valur decomposition)和PCA的功能是一样的，可以用来降低维度、去除噪声，经过PCA和SVD处理后的数据可以做各种处理，包括之前的各个分类和回归的经典算法等，可以说SVD和PCA是高级别的预处理（相对于均值归一化、属性范围调整等）。

2.SVD简要说明

                     一般地，获得sigma矩阵中，绝大多数对角元素为0；一般选择部分来简化数据，即sigma的维度变为m*k，U的维度变为m*k。

3.基于协同过滤的推荐

        这里我们假设有m个用户，n个物品，原始的数据矩阵Data为m*n维度，矩阵中的元素是用户对物品的评分，如果用户没有对该物品进行评分，则评分为0。协同过滤较为经典的两个是基于物品相似度的和基于用户相似度的，在基于物品相似度计算时，物品的特征维度是用户，数据是评分；在基于用户相似度时，用户的特征维度是物品，数据是评分。可以看到用户和物品互相为特征，但是其中有很多杂质掺杂其中，用SVD可以很好的进行过滤，从而提升推荐结果。

       具