【从零到一学AI】第2篇：矩阵不是魔法：用Excel就能理解的线性代数

系列文章第2篇 | 从零到一学AI：数学不可怕

导语：上一篇文章中，小李开始了她的AI数学之旅。今天，我们要解决她遇到的第一个"拦路虎"——线性代数。别担心，我们不会用复杂的公式，而是用Excel表格和一个有趣的故事：如何用数学给女朋友推荐电影。

小李的新挑战：矩阵到底是什么？

小李学AI的第二周，遇到了第一个大难题。

"我看到推荐算法的教程里到处都是矩阵，什么用户-物品矩阵、特征矩阵、权重矩阵..."她在微信上抱怨，"这些密密麻麻的数字方阵看得我头晕，感觉像在看天书。"

我问她："你平时用Excel吗？"

"当然用啊，做报表、整理数据都用Excel。"

"那恭喜你，你其实已经在用矩阵了！Excel表格就是矩阵的最直观表现。"

小李愣了一下："真的吗？"

是的，矩阵其实就是一个二维表格，就像Excel一样简单！

从Excel到矩阵：一个恋爱故事

让我用一个真实的故事来解释矩阵。

我的朋友小王想给女朋友小美推荐电影，但他们的口味很不一样。小王喜欢科幻片，小美喜欢爱情片。怎么找到两人都喜欢的电影呢？

小王决定用"数据驱动"的方法解决这个问题。

第一步：建立用户评分表格

小王收集了他们对一些电影的评分（1-5分）：

这个Excel表格，就是一个矩阵！

在数学表示中，我们可以写成：

          
          
          
        评分矩阵 R = [
    [5, 2],  # 复仇者联盟
    [2, 5],  # 泰坦尼克号
    [5, 4],  # 星际穿越
    [1, 5],  # 我的野蛮女友
    [4, 3]   # 盗梦空间
]

看到了吗？矩阵就是把表格里的数据按行列排列起来！

矩阵运算：Excel中的魔法

现在小王想知道：他和小美的口味到底有多相似？

算法概念：余弦相似度

小李问我："为什么要用余弦相似度？直接算平均分不行吗？"

我解释道："想象一下，你和小王都喜欢吃东西，但你喜欢吃甜的，他喜欢吃咸的。如果只是简单算平均分，就忽略了你们的口味方向不同。"

"余弦相似度就像是测量两个人喜好的'方向一致性'。它不关心你们打分的高低，只关心你们的打分模式是否一致。"

用Excel计算相似度

在Excel中，我们可以这样计算：

          
          
          
        # 假设A列是小王的评分，B列是小美的评分

# 计算向量的点积（内积）
=SUMPRODUCT(A2:A6, B2:B6)

# 计算小王评分的模长
=SQRT(SUMPRODUCT(A2:A6, A2:A6))

# 计算小美评分的模长
=SQRT(SUMPRODUCT(B2:B6, B2:B6))

# 计算余弦相似度
=SUMPRODUCT(A2:A6, B2:B6) / (SQRT(SUMPRODUCT(A2:A6, A2:A6)) * SQRT(SUMPRODUCT(B2:B6, B2:B6)))

让我们用Python来验证这个计算：

          
          
          
        import numpy as np

# 小王和小美的评分向量
wang_scores = np.array([5, 2, 5, 1, 4])
mei_scores = np.array([2, 5, 4, 5, 3])

# 计算余弦相似度
def cosine_similarity(a, b):
    dot_product = np.dot(a, b)  # 点积：对应元素相乘后求和
    norm_a = np.linalg.norm(a)  # 向量a的模长：sqrt(5²+2²+5²+1²+4²)
    norm_b = np.linalg.norm(b)  # 向量b的模长：sqrt(2²+5²+4²+5²+3²)
    return dot_product / (norm_a * norm_b)

similarity = cosine_similarity(wang_scores, mei_scores)
print(f"小王和小美的口味相似度: {similarity:.3f}")

# 详细计算过程
print(f"点积: {np.dot(wang_scores, mei_scores)}")  # 5*2 + 2*5 + 5*4 + 1*5 + 4*3 = 10+10+20+5+12=47
print(f"小王评分模长: {np.linalg.norm(wang_scores):.3f}")  # sqrt(25+4+25+1+16)=sqrt(71)≈7.416
print(f"小美评分模长: {np.linalg.norm(mei_scores):.3f}")   # sqrt(4+25+16+25+9)=sqrt(79)≈8.124

输出结果：

          
          
          
        小王和小美的口味相似度: 0.761
点积: 57
小王评分模长: 8.426
小美评分模长: 8.888

小李看到结果后说："0.761的相似度！这说明他们的共同点还挺多的呢！虽然小王喜欢科幻片，小美喜欢爱情片，但他们在电影品味上其实有相当程度的一致性。这个结果很符合实际情况——情侣之间通常会有一些共同的审美标准！"

我补充道："是的，0.761的相似度可以理解为他们的口味有76%的一致性。在余弦相似度中，这个数值已经相当不错了，说明他们在评价电影时有很多相似的判断标准，只是各自的偏好方向略有不同。"

矩阵分解：发现隐藏的偏好

小李接着问："我经常听说推荐系统能发现用户的'隐藏偏好'，这是怎么做到的？"

我笑着说："这就是矩阵分解的魔力了！让我用一个侦探破案的故事来解释。"

算法概念：奇异值分解（SVD）

"想象小王是个侦探，他有一堆用户对电影的评分数据，但不知道这些电影具体属于什么类型。"

"SVD就像是一个神奇的'电影基因检测仪'，它能通过分析评分模式，自动发现每部电影的'隐藏基因'："

• 动作基因：这部电影有多少打斗场面
• 爱情基因：浪漫成分有多少
• 科幻基因：科幻元素的比例
• 深度基因：思想深刻程度

"更重要的是，它还能发现每个用户的'口味DNA'！"

SVD分解实战

小王像个电影侦探，用SVD算法来"解剖"这些评分数据。他想："如果我能找到每部电影的隐藏特征，那就能知道为什么有些人喜欢这部电影，有些人不喜欢。"SVD就像个超级显微镜，能把复杂的评分模式分解成简单的"基因"因子。小王看着分解结果，兴奋地想："原来《复仇者联盟》和《变形金刚》有相似的'动作基因'，而《泰坦尼克号》和《我的野蛮女友》共享'爱情基因'！"

假设小王收集了更多朋友的评分数据：

          
          
          
        import numpy as np
from sklearn.decomposition import TruncatedSVD

# 用户-电影评分矩阵（行：电影，列：用户）
# 用户：[小王, 小美, 小张, 小李]
ratings_matrix = np.array([
    [5, 2, 5, 1],  # 复仇者联盟
    [2, 5, 1, 5],  # 泰坦尼克号
    [5, 4, 4, 2],  # 星际穿越
   &nbs