矩阵分解作用很多:矩阵填充(通过矩阵分解来填充原有矩阵,如als 就是填充原有矩阵),清理异常值与离群点,降维,压缩,个性化推荐,间接的特征组合(计算特征件相似度)
——————————————————————————————————————————
矩阵分解方法:
特征值分解:分解为一个特征向量矩阵 与 特征值(对角矩阵)
————————————
svd分解(奇异值分解):
X=USV⊤
mn矩阵分解为:[m*k] [k*k][k*n]矩阵,关于svd分解的基础:http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html 这篇文章不错
————————————
mf分解(matrix factorization model):mn矩阵分解为:[m*k][k*n]矩阵,由他逐渐演化出LFM 隐语义分解(其中第一个矩阵代表用户矩阵,第二个矩阵代表商品矩阵,k代表用户 or 商品的隐式特征。)