SVD

参考一：https://www.cnblogs.com/endlesscoding/p/10033527.html

里面讲述了SVD相关的矩阵基本概念和SVD在图片中的应用

参考二：https://www.bilibili.com/video/av15971352?p=3

奇异值是7.7和2.6，小的奇异值可以舍掉，可以减少计量，也可以除噪

是由C同理B的操作得到的

参考三：https://www.cnblogs.com/flightless/p/10424035.html

详解了SVD和SVD在推荐系统中的应用，通过SVD实现评分矩阵的降维，这样计算相似性时速度更快（并附有代码）

SVD应用于推荐系统

1.(M是User-item矩阵)

2.

3.

ps(通过Vn×k矩阵计算物品相似度的，这步降维使得计算更为快速)

数据集中行代表用户user，列代表物品item，其中的值代表用户对物品的打分。基于SVD的优势在于：用户的评分数据是稀疏矩阵，可以用SVD将原始数据映射到低维空间中，然后计算物品item之间的相似度，可以节省计算资源。

整体思路：先找到用户没有评分的物品，然后再经过SVD“压缩”后的低维空间中，计算未评分物品与其他物品的相似性，得到一个预测打分，再对这些物品的评分从高到低进行排序，返回前N个物品推荐给用户。