完整定義
矩陣分解是一種將一個矩陣分解為兩個或多個矩陣乘積的技術。在推薦系統中,矩陣分解通常用於分解用戶-物品評分矩陣,以學習用戶和物品的隱藏特徵,並預測用戶對未評分項目的偏好。常見的矩陣分解方法包括 SVD、NMF 和 ALS。
白話說明
你有沒有想過,推薦系統怎麼知道你可能喜歡哪部片?
你可以把矩陣分解想成,把龐大的評分表拆成幾個隱藏特徵。
它其實就是把一個大矩陣拆成兩個較小矩陣來近似。
在推薦系統裡,這種做法很常用來猜使用者偏好。
記住這句
把大表拆小,藏在裡面的偏好才看得見。
比喻:矩陣分解就像把一道複雜的菜餚,拆解成幾個簡單的食材和烹飪手法 -- 它把龐大的用戶評分數據,拆解成用戶的「喜好特徵」和商品的「屬性特徵」,這樣就能更容易理解並預測用戶可能會喜歡什麼,做出精準推薦。
容易混淆
矩陣分解 vs 協同過濾
協同過濾是大類,矩陣分解是其中一種常見做法。
一個是方法家族,一個是常見成員。
矩陣分解 vs 基於內容的推薦
基於內容看商品屬性,矩陣分解看使用者和物品的隱藏互動。
一個看標籤,一個看行為。
最關鍵的區別: 一個看內容標籤,一個看互動模式。
實際案例
電影推薦
系統根據你和其他人的評分表,拆出可能喜歡的導演、類型或風格。
音樂推薦
平台會從播放紀錄裡學出隱藏偏好,猜你下一首會想聽什麼。
演算法與應用
常見做法是把使用者矩陣和物品矩陣乘起來,近似原本稀疏的評分矩陣。
隱藏維度代表潛在偏好,像是口味、風格或使用情境。
它很適合推薦系統,但冷啟動問題仍需要其他方法補位。
情境判斷
Q1(直覺題): 你想讓推薦系統猜使用者偏好,最常想到什麼技術?
矩陣分解很常見,因為它能從互動表裡找出隱藏因素。
Q2(判斷題): 只要商品資訊很多,就不需要矩陣分解了嗎?
不一定,商品資訊可以補足內容推薦,但互動資料依然很有價值。
常見問題
因為使用者和物品的互動表通常很稀疏,分解後比較容易找出隱藏模式。
不一定,但資料太少或太稀疏時,效果會受影響。
SVD 是一種矩陣分解方法,但推薦系統常用的是更適合稀疏資料的變形做法。
出現在這些考古題
官方公告試題的逐題解析裡,這 3 題把矩陣分解列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本