SVD:Sigular Value Decomposition

SVD有深刻的物理含义，需要理解

1 Definition

A: input data matrix
　☆ m × n matrix(e.g, m documents, n terms)
U: Left singular vectors
　☆ m × r matrix(e.g, m documents, r concepts)
Σ:Singular values
　☆ r × r diagonal matrix (strength of each concept )(r: rank of matrix A)
V:Right singular vectors
　☆ n × r matrix(n terms, r concepts)

2 Properties

It is always possible to decompose a real matrix A into UΣVT, where
★ U, Σ, V :unique(唯一的)
　　i.e唯一的A, 会分解得到唯一的U, Σ, V
★U, V: column orthonormal(列标准正交化)
　☆UTU=I;VTV=I (I: identity matrix)
　☆(Columns are orthogonal unit vectors)
★Σ: diagobal(对角的)
　☆Entries(singular values) are positive,and sorted in decreasing order(σ1≥σ2≥...≥0)

3 examples

以上是SVD的一个例子
A 是用户对7个用户(7 rows)对5部(5 columns)电影的打分.对A分解得到
A=U[7×3]Σ[3×3]VT[5×3]
★ U 的每一列“意味”着一个concept.
　☆ so there are 3 concepts
★ Σ 对角线上每一个元素一位置concept的强度
　☆可以看出 3th concepts 的强度很低, 可以判断出这一concept不太重要
★ V 是”movie-to-concept” simlarity matrix.
3 rows 代表3种不同的concept,5 columns代表5部不同的电影. 这一矩阵表明了每一部电影与每一种concept的相似度,或者说, 每一部电影属于每一种concept的概率.

According to first row [0.56 0.59 0.56 0.09 0.09], we can say:
similarity(movie_1, concept_1) = 0.56
similarity(movie_2, concept_1) = 0.59
similarity(movie_3, concept_1) = 0.56
similarity(movie_4, concept_1) = 0.09
similarity(movie_5, concept_1) = 0.09

本篇来自于Youtube视频的总结学习.