最近在学习推荐系统(Recommender System)，跟大部分人一样，我也是从《推荐系统实践》学起，同时也想跟学机器学习模型时一样使用几个开源的python库玩玩。于是找到了surprise，挺新的，代码没有sklearn那么臃肿，我能看的下去，于是就开始了自己不断的挖坑。

这篇文章介绍基于SVD的矩阵分解推荐预测模型。一开始我还挺纳闷，SVD不是降维的方法嘛？为什么可以用到推荐系统呢？研究后，实则异曲同工。

有关SVD推导可以看这篇文章：降维方法PCA与SVD的联系与区别

了解推荐系统的人一定会知道协同过滤算法！

协同过滤算法主要分为两类，一类是基于领域的方法(neighborhood methods)，另一类是隐语义模型(latent factor models)，后者一个最成功的实现就是矩阵分解(matrix factorization)，矩阵分解我们这篇文章使用的方法就是SVD(奇异值分解)

提问❓：SVD在推荐系统中到底在什么位置呢？

举手