概念Matrix Factorization
矩阵分解
协同过滤中基于模型的方法，将高维稀疏评分矩阵分解为用户隐向量矩阵与物品隐向量矩阵，通过内积预测评分，由Netflix Prize竞赛推向业界主流
时间轴 (近 90 天)
11月3日
传统推荐系统主要依赖协同过滤、矩阵分解和深度学习排序模型，输出内容列表。
待验证50%
11月2日
论文在双神经元ReLU师生模型设定下给出了临界点分类结果，该结果与之前关于矩阵分解和过参数化模型的研究相呼应。
待验证50%
10月13日
矩阵分解只建模用户—物品二维关系，无法原生纳入时间、设备、会话等上下文，因此需要上下文扩展版本或与特征模型（如 GBDT）结合使用。
待验证50%
10月7日
基于模型的协同过滤通过矩阵分解将高维稀疏评分矩阵分解为代表用户隐向量和物品隐向量的两个低维稠密矩阵，再通过内积预测评分
待验证50%
8月17日
矩阵分解将用户-物品交互矩阵分解为两个低秩矩阵的乘积，在隐空间中捕捉用户和物品的潜在特征
待验证60%