eq值 推荐算法_SVD算法介绍及其参数讲解

算法介绍

SVD算法是一种奇异值分解算法，用于提取出一个矩阵最重要的特征，同时奇异值分解是一个能适用于任意的矩阵的一种分解的方法。SVD又称奇异值分解，是线性代数中一种矩阵分解的技术，它能够将任意一个m*n的矩阵A分解成为U、S、V，U是m*m的正交矩阵，V是n*n的正交矩阵，S是m*n的矩阵，且A=U*S*V。通过SVD方式将矩阵A分解后，如果只保留前k个最大的奇异值，就实现了对矩阵降维的目的。SVD的分解方法如下图所示：

下面的三个矩阵相乘的结果将会是一个接近于M矩阵，在这儿，r越接近于n，则相乘的结果越接近于M。而这三个矩阵的面积之和(在存储观点来说，矩阵面积越小，存储量就越小)要远远小于原始的矩阵M，我们如果想要压缩空间来表示原矩阵M，我们存下这里的三个矩阵：U、Σ、V就好了。

将SVD算法应用于推荐系统中，数据集中行代表用户user，列代表物品item，其中的值代表用户对物品的打分。整体思路为，先找到用户没有评分的物品，然后再经过SVD“压缩”后的低维空间中，计算未评分物品与其他物品的相似性，得到一个预测打分，再对这些物