基于推荐系统的SVD算法

目录

特征值与奇异值

1）特征值

2）奇异值

推荐系统中的SVD算法

SVD算法优缺点

---

借助SVD对数据进行处理，可以利用规模显著缩小的数据集来表征原始数据，这种做法实际上消除了噪声和重复信息，从而实现对数据的优化并提升最终结果的质量。

1. 隐形语义索引：最早期的SVD应用之一出现在信息检索领域，我们通常将采用SVD技术的方式称为隐性语义检索（LSI）或隐性语义分析（LSA）。
2. 推荐系统：SVD的另一项重要应用在于推荐系统，较为先进的系统首先通过SVD从数据中构建出一个主题空间，随后在该空间中计算相似度，以此增强推荐效果。

特征值与奇异值分析

在机器学习领域，特征值分解与奇异值分解均是广泛应用的技术手段，二者之间存在密切的联系。这两种方法的核心目标一致，即从矩阵中提炼出最具代表性的特征信息。

1）特征值

首先需要明确的是，矩阵本质上代表了一种线性变换操作。 当某一矩阵与向量相乘后所得到的新向量，实际上等同于对该向量实施了相应的线性变换过程，具体示例如下：

矩阵M与向量(x,y)相乘所得的运算结果为