推荐系统之---如何理解低秩矩阵？

1.说明

在推荐系统中有有一种推荐方式：LFM，也叫隐因子分解。这中推荐方式在Netflix公司的百万美金大赛中可以说是大放异彩。但是在这里面涉及到一个假设。假设评分矩阵是低秩的（Low rank）。
那什么样的矩阵是低秩的？怎么理解低秩呢？

2.图像中的“秩”

除了在推荐系统中应用低秩概念，其实在图像处理中也会应用到低秩。秩的英文表达是rank，在图像中rank可以理解为图像中所包含信息的丰富程度。

• 举一个简单的例子，一张大海的风景图片，在图片中有一搜大船，如下图：

* 这个图片中，大部分的篇幅是水，除了水就只有一艘大船，而水和水是相似的（此时我们把水看做是单独的元素），所以如果没有船只有水，那么这幅图的信息量是很低的，以为我们可以理解有一个水的像素，其他的都是复制品。

• 如果在这幅图中添加这样的一艘船，那么它的秩就会变大。
• 简单总结，就是图片有比较突兀的成分，如上面的船只，就会增加图像的秩。
• 对于现实中比较好的图片，往往秩比较低的，也就是图像比较规整，重点的突出点是有的，但是大部分像素是相似的；假如图片的秩很高，那结果就是图像杂乱无章，或者是噪声比较高。
• 因此，在做图像处理时，可以通过降低秩来去除图片中的噪点

3.“秩”的理解

• “秩”，在汉字中的意义，可以理解为“秩序”。那么低秩，也就意味着“秩序比较低”。
• 举个栗子：排队买票，如果大家都互相不认识，大家都安安稳稳的排队买票，非常有秩序也就是是秩序比较高；如果突然来了一个人，与前面的人认识，就插队买票，后面的人就很不爽他，说自己也有认识的人去插队，这样大家都去插队，整个队伍就乱了，这样就没有了秩序，也就是秩序比价低。
• 通过上面的栗子得出结论：认识–>秩序低；不认识–>秩序高。
• 那么从数学上怎么理解呢！相关或者相似–>秩序低；不相关或不相似–>秩序高。
• 数学家怎么定义！矩阵中的最大的不相关的向量个数，就叫做秩。

4.矩阵中的“秩”

先看个解方程组的例子：
$5x+7y+z=8$
$x+y+z=3$
$2x+2y+2z=6$

• 对于上面的方程组，第1个方程和第2个方程有不同的解，但是第2和第3个方程有相同的解。那么方程3存在的意义就完全没有了，因为它是“冗余的”，没有带来任何信息或者价值，把他去掉所得到的方程组的解与之前没有任何差异。为了从方程组中去掉多余的方程，自然就导出了“矩阵的秩”这个概念。
• 在大学学习线性代数时，我们为了求解矩阵A的秩，通常是通过对矩阵A进行初等变换，把矩阵A化为阶梯型矩阵，若该阶梯矩阵有R个非零行，那么矩阵A的秩rank(A) = R。
• 从物理意义上看，矩阵的秩，度量的就是矩阵的行、列之间的相关性。对于上面?的方程组，第2和第3方程，就是相关方程。对应的矩阵的秩，就是2.
• 满秩的概念：如果矩阵中的各个行、列都是线性无关的，矩阵就是满秩的。秩就等于行数。

5.推荐评分矩阵的“秩”

• 既然矩阵可以度量相关性，而矩阵的相关性实际上就表示了矩阵的结构信息。如果矩阵之间各行的相关性很强，那么就表示这个矩阵实际可以投影到更低的线性子空间，也就是用几个向量就可以完全表达了，那么它就是“低秩的”。
• 推荐系统中的隐因子分解，就是假设评分矩阵是“低秩的”，为何做这样的假设？
  • 评分矩阵都是稀疏的，也就是大部分的评分都是空的。我们在做推荐的时候，希望能够把空的评分位置填充上评分。这样就可以根据评分的高低，对用户提供推荐服务。
  • “低秩矩阵”表示，行、列都具有相关性。通俗来讲，就是可以用一部分的行、列来表示另一部分行、列。而恰恰矩阵是稀疏的，说以可以利用这种相关性来填充矩阵。
• 矩阵低秩的假设
  • 一方面符合我们对自然界的观测。
  • 另一方面可以用“物以类聚，人以群分”，对于U-I矩阵，行的相似性就是“人以群分”；列的相似性就是“物以类聚”。
• 何为“低秩”：
  • 对于一个m行n列的矩阵X，rank(X)<<m和n，就成矩阵X是低秩矩阵。