矩陣分解 是什麼？
Matrix Factorization — 矩陣分解 的完整解釋
矩陣分解是一種將矩陣分解為兩個或多個矩陣乘積的技術，常應用於推薦系統，以預測用戶對未評分項目的偏好。
容易混淆
矩陣分解 vs 協同過濾 協同過濾是大類，矩陣分解是其中一種常見做法。 一個是方法家族，一個是常見成員。
矩陣分解 vs 基於內容的推薦 基於內容看商品屬性，矩陣分解看使用者和物品的隱藏互動。 一個看標籤，一個看行為。
最關鍵的區別： 一個看內容標籤，一個看互動模式。
記住這句就好
把大表拆小，藏在裡面的偏好才看得見。
實際案例
電影推薦 系統根據你和其他人的評分表，拆出可能喜歡的導演、類型或風格。
音樂推薦 平台會從播放紀錄裡學出隱藏偏好，猜你下一首會想聽什麼。
算法與應用
常見做法是把使用者矩陣和物品矩陣乘起來，近似原本稀疏的評分矩陣。 隱藏維度代表潛在偏好，像是口味、風格或使用情境。 它很適合推薦系統，但冷啟動問題仍需要其他方法補位。
情境判斷
Q1（直覺題）： 你想讓推薦系統猜使用者偏好，最常想到什麼技術？
→ 矩陣分解很常見，因為它能從互動表裡找出隱藏因素。
Q2（判斷題）： 只要商品資訊很多，就不需要矩陣分解了嗎？
→ 不一定，商品資訊可以補足內容推薦，但互動資料依然很有價值。
相關術語
常見問題
矩陣分解為什麼適合推薦系統？
因為使用者和物品的互動表通常很稀疏，分解後比較容易找出隱藏模式。
矩陣分解一定要很完整的評分資料嗎？
不一定，但資料太少或太稀疏時，效果會受影響。
矩陣分解和 SVD 一樣嗎？
SVD 是一種矩陣分解方法，但推薦系統常用的是更適合稀疏資料的變形做法。