第三篇　基于矩阵分解的协同过滤推荐算法

矩阵分解模型最早由Yehuda Koren于2008年提出，主要目的是找到两个低维的矩阵，它们相乘之后得到的矩阵的近似值，与评分矩阵中原有值的位置中的值尽可能接近。近年来，学术界的研究和工业界的应用结果表明，在处理高维数据方面，个性化推荐中使用矩阵分解模型要明显优于传统的基于邻域的协同过滤（又称基于内存或者记忆的协同过滤）方法，如User-CF、Item-CF等，这也使得矩阵分解成为目前个性化推荐研究领域中的主流模型。国此，国内外学者尝试采用各种方法来进行对稀疏矩阵进行降维，常用的降维技术有SVD（Singular Value Decomposition）、矩阵分解、概率矩阵分解、非负矩阵分解以及其改进模型等。