FunkSVD

概述

Simon Funk 2006 年提出的基于 SGD 的矩阵分解方法，放弃了完整矩阵精确 SVD 分解的传统思路，仅在已知评分上进行梯度优化。

关键内容

1. 核心创新：传统 SVD（如 LSA/LSI）需要对完整矩阵进行分解（$A = U \Sigma V^T$），但推荐系统中评分矩阵高度不完整。FunkSVD 仅在已知评分上进行梯度优化，避免了缺失值处理的难题。
2. 性能表现：在 Netflix Prize 数据集上，FunkSVD 迅速将 RMSE 从基线 0.9514 降至约 0.896（约 5.9% 的提升），一举跃居排行榜第三位。
3. 优化方法：使用随机梯度下降（SGD）进行优化，实现简单、收敛速度快、内存占用小。
4. 历史地位：FunkSVD 点燃了推荐系统领域的方法论革命，是后续 SVD++、timeSVD++ 等进阶模型的基础。

来源

• 04-matrix-factorization-for-recsys.md — 深度解读 Matrix Factorization Techniques for Recommender Systems

相关

• Simon Funk — 提出者
• Netflix Prize — 应用竞赛
• 矩阵分解 — 方法论类别
• SVD++ — 后续演进