奇异值分解(SVD)

     最近不小心接触到了SVD，然后认真看下去之后发现这东西真的挺强大的，把一个推荐问题转化为纯数学矩阵问题，看了一些博客，把一个写个比较具体的博文引入进来，给自己看的，所以把觉得没必要的就去掉了，博文下面附原始博客地址。

      

一、基础知识

1. 矩阵的秩：矩阵的秩是矩阵中线性无关的行或列的个数

2. 对角矩阵：对角矩阵是除对角线外所有元素都为零的方阵

3. 单位矩阵：如果对角矩阵中所有对角线上的元素都为零，该矩阵称为单位矩阵

4. 特征值：对一个M x M矩阵C和向量X，如果存在λ使得下式成立

 

则称λ为矩阵C的特征值，X称为矩阵的特征向量。非零特征值的个数小于等于矩阵的秩。

即对于矩阵C，经过初等行列变化后成为对角矩阵，对角矩阵对角线上的值是特征值。

5. 特征值和矩阵的关系：考虑以下矩阵

该矩阵特征值λ1 = 30,λ2 = 20,λ3 = 1。对应的特征向量

假设V^T=(2,4,6) 计算S x V^T

      有上面计算结果可以看出，矩阵与向量相乘的结果与特征值，特征向量有关。观察三个特征值λ1 = 30,λ2 = 20,λ3 = 1，λ3值最小，对计算结果的影响也最小，如果忽略λ3，那么运算结果就相当于从(60,80,6)转变为(60,80,0)，这两个向量十分相近。这也表示了数值小的特征值对矩阵-向量相乘的结果贡献小，影响小。这也是后面谈到的低阶近似的数学基础。

 二、奇异值分解

      在LSA中，我们是要对Term-Document矩阵进行分解，很显然这个矩阵不是方阵。这时需要奇异值分解对Term-Document进行分解。

假设C是M x N矩阵，U是M x M矩阵，其中U的列为CC^T的正交特征向量，V为N x N矩阵，其中V的列为C^TC的正交特征向量，再假设r为C矩阵的秩，则存在奇异值分解：

其中CC^T和C^TC的特征值相同，为

Σ为M X N，其中，其余位置数值为0，的值按大小降序排列。以下是Σ的完整数学定义：

 

注意：当的值按大小降序排列的时候，V就是C中与排序前相对应的行的特征向量

σ_i称为矩阵C的奇异值。

用C乘以其转置矩阵C^T得：

奇异值分解可表示为：

假设m与n都是俩个比较大的数值m = 1,000,000  n = 500,000，在通常情况下这个矩阵的规模是100亿，通过SVD分解后，k是一个可选值，假设k=100，则奇异值分解后的三个矩阵规模为1亿，规模缩小5000倍，这就是SVD的厉害之处了

这三个矩阵有着非常清楚的物理含义，首先，我们假设矩阵C是用来描述一百万个用户对五十万部电影的偏好度。这个矩阵中，每一行对应一个用户，每一列对应一部电影。SVD分解后的第一个矩阵U中的每一列表示一类抽象主题，例如每个用户(m表示的是用户)对于恐怖类型电影的偏好度，数值越大越喜欢。最后一个矩阵V中的每一行表示每部电影(n表示的是电影)的某个抽象主题所占的权重，简而言之即，矩阵U是用户的特征向量，矩阵V是物品的特征向量，中间的矩阵则表示各类抽象主题之间的权重系数。

三、SVD特征向量求解

 

奇异值分解(SVD)详解: http://blog.csdn.net/wangzhiqing3/article/details/7446444

奇异值分解(SVD)应用-LSI: http://blog.csdn.net/abcjennifer/article/details/8131087