关于矩阵分解：特征值分解 svd分解 mf分解 lmf分解 pca 以及个性化推荐 fm ffm als

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⊤

对角阵 S 对角线上的元素是奇异值， U 和 V 是正交矩阵

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。）