NMF 非负矩阵分解 -- 原理与应用

1.原理

发现写关于非负矩阵的博文还是蛮多的，还是以自己的角度总结一下自己的最近看的若干东西以及对非负矩阵分解有用的一些资料链接。NMF，全称为non-negative matrix factorization，中文呢为“非负矩阵分解”。

NMF的思想：V=WH（W权重矩阵、H特征矩阵、V原矩阵），通过计算从原矩阵提取权重和特征两个不同的矩阵出来。属于一个无监督学习的算法，其中限制条件就是W和H中的所有元素都要大于0。

写得有点匮竭难懂，看不懂建议去看看原论文，在《NMF引用》一文中有，下面是对于NMF符号偶的定义。

$$V_{(F*N)}=W_{(F*K)}*H_{(K*N)}$$

$V$ : $F * N$ 的矩阵
- $F$ 为特征（行）
- $N$ 可以为观察值、例子、特征向量（列）

$v_n = (v_1n, v_2n, ..., v_fn)^T$,在集合N中第N个特征向量

$W:F*K$ 的字典矩阵
- $w_fk$ 为W中的一个系数
-