主要参考论文《A Guide to Singular Value Decomp osition for Collab orative Filtering》
其实一开始是比较疑惑的，因为一开始没有查看论文，只是网上搜了一下svd的概念和用法，搜到的很多都是如下的公式：其中假设C是m*n的话，那么可以得到三个分解后的矩阵，分别为m*r,r*r,r*n,这样的话就可以大大降低存储代价，但是这里特别需要...
分类：
编程语言 时间：
2015-02-16 13:07:27
阅读次数：
641
SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是由于SVD能够说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。本节讨论SVD分解相关数学问题，一个分为3个部分，第一部分讨论线性代数中的一些基础知识，第二部分讨论...
分类：
其他好文 时间：
2015-01-13 14:16:41
阅读次数：
160
LSA and SVD
LSA(隐性语义分析)的目的是要从文本中发现隐含的语义维度-即“Topic”或者“Concept”。我们知道，在文档的空间向量模型（VSM）中，文档被表示成由特征词出现概率组成的多维向量，这种方法的好处是可以将query和文档转化成同一空间下的向量计算相似度，可以对不同词项赋予不同的权重，在文本检索、分类、聚类问题中都得到了广泛应用，在基于贝叶斯算法及KNN算法的ne...
分类：
其他好文 时间：
2015-01-09 20:59:37
阅读次数：
265
1、TopicModel - LSA（隐性语义分析）的早期方法SVD
from:
ref:...
分类：
编程语言 时间：
2015-01-09 20:57:19
阅读次数：
1745
【简化数据】奇异值分解(SVD)
@author：wepon
@blog：http://blog.csdn.net/u012162613/article/details/42214205
1、简介
奇异值分解（singular Value Decomposition），简称SVD，线性代数中矩阵分解的方法。假如有一个矩阵A，对它进行奇异值分解，可以得到三个矩阵：
...
分类：
其他好文 时间：
2014-12-28 17:01:34
阅读次数：
212
一、PCA(Principal Component Analysis)主成分分析，数据从原来的坐标系转换到新的坐标系，只保留新坐标系中的前面几个坐标轴，即对数据进行了降维处理1、算法描述（1）第一个新坐标轴：原数据集中方差最大的方向（2）第二个新坐标轴：与第一个新坐标轴正交且具有最大方差的方向（3）...
分类：
其他好文 时间：
2014-12-25 06:34:34
阅读次数：
271
转载请注明原地址：http://www.cnblogs.com/connorzx/p/4170047.html提出原因基于余弦定理对文本和词汇的处理需要迭代的次数太多（具体见14章笔记），为了找到一个一步到位的办法，可以使用奇异值分解（SVD分解）算法实现建立一个M-by-N的矩阵A，其中行表示M篇...
分类：
其他好文 时间：
2014-12-17 20:22:05
阅读次数：
154
系统地讲解了线性判别分析，主成分分析，奇异值分解的数学原理...
分类：
其他好文 时间：
2014-12-14 08:22:37
阅读次数：
365
SVD(Singular Value Decomposition,奇异值分解)算法优缺点：优点：简化数据，去除噪声，提高算法结果缺点：数据的转换可能难于理解适用数据类型：数值型数据算法思想：很多情况下，数据的一小部分包含了数据的绝大部分信息，线性代数中有很多矩阵的分解技术可以将矩阵表示成新的易于处理...
分类：
其他好文 时间：
2014-12-12 01:15:20
阅读次数：
526
MIT 线性代数课程中讲过的矩阵分解有很多种，但是据我所知最重要的应该是SVD分解了，假如现在想把行空间的正交基通过A左乘的方法变换到列空间的正交基，既有：
需要说明的一点是，我们可以轻易得到行空间的正交基，但是并不是所有的A都能满足变换过去后还是正交基的条件，所以，这个A需要满足条件，或者说A和U,V需要满足一定的关系。将上式左右两边都乘以V的转置，就可以得到矩阵奇异值分解的公式，SV...
分类：
其他好文 时间：
2014-12-09 10:35:28
阅读次数：
189
