奇异值分解(SVD)原理详解-潜在语义分析-协同过滤-SVD++-PCA

############
SVD、user-based、item-based协同过滤推荐之间的联系与区别
【这篇文章也写的很好，包括basline model->SVD->SVD++】
############
SVD和basline model和SVD++

使用SVD++进行协同过滤（算法原理部分主要引用自他人）

https://blog.csdn.net/xiaocong1990/article/details/54909126

LSI：潜在语义分析（潜在：分解出来的潜在向量）
感觉潜在向量 ≈ 词向量，都是把稀疏矩阵->稠密向量，用稠密向量来代表潜在特征/含义。

这个词文档矩阵经过SVD分解：

结果：

其在协同过滤中的具体应用方法是先对user_movie的rating矩阵的缺失值用随机数据予以填充，然后将预处理之后的矩阵作为SVD算法的输入，进行迭代求解。

如何理解pca和svd的关系?
奇异值分解 SVD 的数学解释（计算例子）
超级通俗易懂的奇异值分解（SVD）讲解
奇异值分解及几何意义

#############
！！！Python学习笔记（四）——基于SVD的协同过滤（推荐算法），这个讲的很好，包括LSI和SVD协同过滤：
############
也就是说，SVD的左奇异矩阵可以用于行数的压缩。相对的，右奇异矩阵可以用于列数即特征维度的压缩。

机器学习_用PCA主成分分析给数据降维