矩阵分解发展史

TraditionalSVD：将矩阵分解为三个矩阵，中间的为奇异值矩阵
缺点：矩阵必须稠密，在工程中无法应用

LFM FUNK SVD：将一个矩阵分解为两个矩阵，其中一个是用户-隐含特征矩阵，另一个是物品-隐含特征矩阵

BiasSVD:在原来的FUNK SVD基础上加入了偏置项

SVD++：在BiasSVD的基础上添加了用户的隐式反馈信息
显示反馈指的用户的评分这样的行为，隐式反馈指用户的浏览记录、购买记录、收听记录等。
SVD++是基于这样的假设：在BiasSVD基础上，认为用户对于项目的历史浏览记录、购买记录、收听记录等可以从侧面反映用户的偏好。

基于内容的推荐

画像：构建物品或用户的特征，本质上就是给用户或物品贴标签