矩阵分解入门：用隐向量捕捉用户偏好

矩阵分解把稀疏的用户物品评分矩阵拆成两个低维矩阵的乘积，每个用户和物品都用一个隐向量表示，向量内积即为预测偏好。

这种方法能缓解数据稀疏问题，因为隐向量从全局行为中学习，即使某用户对某物品没有直接交互，也能通过向量关系推断兴趣。

训练目标是最小化预测评分与真实评分的误差，常用随机梯度下降优化，并加入正则项防止过拟合。

隐向量的维度需要调参。维度过低表达力不足，过高则容易过拟合。矩阵分解是理解嵌入思想的良好起点。