引入隱語意模型：
在常見的協(xié)同過濾中，我們要求只有在兩個用戶對同一個物品進行評分或者兩個物品被同一個用戶打分后我們才可以計算用戶的相似度。這種計算相似度的方式其實沒有考量到物品或者用戶背后的關聯(lián)性馋吗。所以我們通過把物品和用戶都拆解成隱語意向量的方式，來對用戶對物品的評分進行預測，這就是隱語意模型的意義中姜。
隱語意模型的具體內(nèi)容：
認為每個用戶都有自己的偏好，同時每個物品也包含所有用戶的偏好信息；那么就可以認為用戶對物品的高評分體現(xiàn)就是物品中的偏好正好與用戶偏好相對應了丢胚。那么我們就可以通過用戶潛在因子矩陣和物品潛在因子矩陣來預測用戶對物品打分的值翩瓜。
將評分矩陣拆解成兩個隱語意矩陣，提取出用戶對隱語意因子的喜好程度和物品對隱語意因子符合的程度携龟。這種隱語意的提取方式即為矩陣分解兔跌。
