# 矩阵分解

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第2章 前深度学习时代
- 页码线索：21-27
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：matrix-factorization, embedding, matching

## 面试问题

矩阵分解相比协同过滤解决了什么问题？

## 30 秒回答

矩阵分解把稀疏的用户-物品行为矩阵分解为低维用户向量和物品向量，用隐向量表达兴趣和物品属性，提升泛化能力并缓解稀疏问题。

## 展开要点

- 用户和物品被映射到同一个低维隐空间。
- 预测分数通常由用户向量和物品向量的内积得到。
- 可以加入用户偏置、物品偏置和全局偏置。
- 局限是难以自然融合上下文、序列、内容和复杂特征交叉。

## 高频追问

- 矩阵分解和 embedding 有什么关系？
- 为什么要加入 bias 项？
- 矩阵分解如何处理隐式反馈？

## 项目映射

- 用用户-岗位匹配或用户-课程匹配说明隐向量推荐。
- 解释为什么 embedding 召回本质上延续了矩阵分解思想。

## AI PM 迁移

矩阵分解帮助 AI PM 理解 embedding 空间：相似不来自规则，而来自行为或语义共现学习。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。