奇异值分解（SVD）是一种强大的数据处理技术，广泛应用于信息检索的隐形语义索引（LSI）和推荐系统。通过将数据矩阵分解为U、S、V三个矩阵，SVD能够提取主要特征，去除噪声，常用于降低数据维度。在推荐系统中，SVD用于构建主题空间并计算低维空间内的相似度，提高效率。尽管SVD简化了数据，但可能使数据解释性降低，主要适用于数值型数据。
SVD概述：奇异值分解（SVD， Singular Value Decomposition）:
提取信息的一种方法，可以把SVD看成是从噪声中抽取相关的特征。从生物信息学到金融学， SVD是是提取信息的巨大工具。
SVD场景：
信息检索 - 隐形语义索引（Lstent Semantic Indexing, LSI）或隐形语义分析（LSA）。
隐形语义索引： 矩阵 = 文档 + 词语
-
是最早的SVD应用之一，我们称利用SVD的方法为隐形语义索引（LSI）或隐形语义分析（LSA）。
推荐系统：
1.利用SVD从数据中构建一个主题空间
2.再在该空间下计算其相似度。（从高维-低纬空间的转化，在低维空间计算相似度，SVD提升了推荐系统的效率。）
SVD原理：
SVD工作原理
|-矩阵分解
-
矩阵分解是将数据矩阵分解为多
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
