你有沒有想過，推薦系統怎麼知道你可能喜歡哪部片？ 你可以把矩陣分解想成，把龐大的評分表拆成幾個隱藏特徵。 它其實就是把一個大矩陣拆成兩個較小矩陣來近似。 在推薦系統裡，這種做法很常用來猜使用者偏好。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
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。