一、假设你刚刚刷了三条视频你的行为是FPS 枪法教学 → 看完还点了赞 游戏装备评测 → 看完 蛋糕制作教程 → 很快划走现在系统要决定下一条给你推荐什么最直接的方法是继续推荐游戏视频。但系统怎么从海量观看记录里发现你喜欢游戏SVD 可以帮助把复杂的行为数据整理成少量的“兴趣线索”。这里用抖音式推荐举例不代表抖音实际使用的具体算法就是 SVD。二、把所有人的观看记录放在一张大表里假设只有三个人、四条视频用户枪法教学装备评测炒菜教程蛋糕制作你喜欢喜欢没看过不感兴趣小明喜欢喜欢不感兴趣没看过小红不感兴趣没看过喜欢喜欢人一看就能发现你和小明比较像小红和你们不太一样枪法教学、装备评测似乎属于一组炒菜教程、蛋糕制作似乎属于另一组。SVD 的作用之一就是用数学方法发现这种隐藏的结构。实际计算时需要先把行为转换成数值。这里先不讨论细节。三、SVD 做的事把大表压缩成“兴趣档案”原来系统面对的是谁看了哪条视频 看了多久 喜欢还是不喜欢数据非常多。通过提取主要的共同变化模式可以得到更简洁的表示。为了方便理解我们把它想成用户的兴趣档案用户游戏兴趣美食兴趣你高低小明高低小红低高视频的特点档案视频游戏特点美食特点枪法教学高低装备评测高低炒菜教程低高蛋糕制作低高这样一张复杂的观看记录表就变成了两份简单档案一份描述用户偏好一份描述视频特点。严格来说模型学到的是一串数字不一定有“游戏”“美食”这样的明确名称。这里这样命名只是为了帮助理解。四、这两份档案怎么用于推荐现在有一条你没看过、但其他人看过的视频《如何选择电竞鼠标》系统发现喜欢枪法教学、装备评测的人也经常喜欢这条视频。因此这条视频的档案会更接近“游戏兴趣”。而你的兴趣档案也偏游戏所以你的兴趣档案偏游戏 电竞鼠标视频偏游戏 ↓ 匹配程度高 ↓ 可以推荐给你这就是它能够推荐你没看过的视频的原因你不必看过它其他与你兴趣相似的人的行为也能提供线索。如果一条视频刚上传、完全没人看过那么单靠这种历史互动方法就很难判断需要结合视频内容等其他信息。五、“奇异值分解”为什么叫“分解”因为它把原来的一张大数字表拆成几个较简单的部分。先不用记公式只记复杂的用户—视频关系 ↓ 分解、保留主要信息 用户的兴趣表示 视频的特点表示有点像整理一大批人的菜单原始记录 张三点过什么 李四点过什么 王五点过什么 ……非常多整理之后发现很多选择可以大致用几个口味解释偏辣 偏甜 偏清淡不用背下每个人点过的所有菜也能大致猜测他可能喜欢下一道什么菜。SVD 提供了一种提取这种“主要模式”的数学方法。六、注意它不是抖音推荐的全部真实短视频推荐还要考虑你刚刚连续看了什么视频是不是刚发布是否已经给你推荐过太多同类内容新用户、新视频没有历史记录怎么办。还有一个重要区别没看过不等于不喜欢。因此实际推荐中的矩阵分解模型通常需要专门处理未知记录不能简单把“没看过”填成零再做一次普通 SVD 就结束了。一句话总结SVD 可以帮助从大量行为记录中提取隐藏的兴趣模式推荐系统再利用这些模式寻找与你匹配的视频。你现在先记住这个直观理解就够了把海量观看记录整理成“你偏好什么”和“视频适合谁”再把两者进行匹配。