SVD奇異矩陣分解

奇異矩陣分解SVD 奇異矩陣分解的核心思想認爲用戶的興趣只受少數幾個因素的影響，因此將稀疏且高維的User-Item評分矩陣分解爲兩個低維矩陣，即通過User、Item評分信息來學習到的用戶特徵矩陣P和物品特徵矩陣Q，通過重構的低維矩陣預測用戶對產品的評分.SVD的時間複雜度是O(m3). 在瞭解奇異矩陣分解前， 先要了解矩陣分解， 矩陣分解就是特徵值分解， 特徵值分解和奇異值分解的目的都是一樣，

>>阅读原文<<