---
title: "矩陣分解（Matrix Factorization）"
slug: matrix-factorization
language: zh-TW
source: https://aiterms.tw/terms/matrix-factorization
updated_at: 2026-04-29
tags: [機器學習, 推薦系統, 資料處理, 特徵工程, 模型訓練, 模型評估, Python程式, AI應用]
ipas_term: false
---

# 矩陣分解（Matrix Factorization）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語
> - **協同過濾**：先看大類，再看矩陣分解會更清楚。
> - **內容過濾推薦**：兩者最常被拿來比較。
> - **奇異值分解**：矩陣分解常會和它一起討論。
> - **冷啟動問題**：推薦系統用矩陣分解時很常遇到的限制。

---

來源：https://aiterms.tw/terms/matrix-factorization
快查頁：https://aiterms.tw/terms/matrix-factorization
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-matrix-factorization