excel中如何对矩阵得对角线进行求和_学习笔记：矩阵SVD分解

特征值分解矩阵不能适用于所有矩阵，对于无法进行特征值分解的矩阵，我们使用SVD分解的方法。

对任意一个

矩阵

，一定可以进行SVD分解，数学形式为

其中，矩阵

的每一个列向量是左奇异向量，对应

的特征向量，矩阵

的每一个列向量（也就是矩阵

的每一个行向量）是右奇异向量，对应

的特征向量。

另外，矩阵

有可能是“高瘦型”，也有可能是“矮胖型”，这取决于矩阵

的形状，但是不论形状如何，矩阵

只有在主对角线上存在非零元素，这些元素是

的特征值的算数平方根，也是

的特征值的算数平方根，称为矩阵

的奇异值。

Python中的Numpy库有SVD分解方法。

>>> 

首先定义一个2行4列的矩阵，其中元素的值随意。

>>> 

可以看出左右奇异向量所在的矩阵的形状。特别注意，中间的矩阵

只保存了主对角线上的非零元素，并且是按照由大到小的顺序排列。

矩阵SVD分解是为了减少大矩阵在计算机中的存储，提高矩阵运算速度。我们需要在数学表达上进一步讨论。

其中，求和表达式中的

是矩阵

的非零奇异值个数，也是矩阵

的秩，

是奇异值。求和表达式展开后，我们只保留了矩阵

主对角线上的非零奇异值，并按照

降序排列每一项，保留系数大的项，舍去系数小的项，实现近似，减少需要存储的值。如果只需要保留前

项，则可以写为

在应用中，例如推荐系统中，由于用户和商品数量极其庞大，由用户和商品构成的矩阵也非常庞大，矩阵中每一个元素表达了某个用户对某个商品的评价或喜好。对于一个用户，使用他对每一个商品的评价构成的向量作为描述这个用户的特征，同样对一个商品，我们使用每一用户对它的评价作为这个商品的特征。在使用了SVD分解并近似后，其实是舍弃了小奇异值所对应的“特征”向量（这里的特征向量是描述用户或商品特征的向量），减少了运算量。

在Python中，Numpy的SVD分解方法，返回的奇异值已经降序排序，奇异向量也对应调整过位置，运用矩阵切割就可以实现近似。

矩阵的SVD分解主要运用在利用协同过滤方法实现推荐系统中，充分利用奇异值和奇异向量，对没有直接关联的用户和商品，预测出用户对商品的评价，据此选择是否推荐。