Matrix Factorization Techniques for Recommender Systems

概述

Koren、Bell、Volinsky 2009 年发表于 IEEE Computer 的综述论文，系统化了 Netflix Prize 竞赛中的矩阵分解方法论，成为推荐系统领域引用最多的文献之一。

关键内容

1. 论文信息：发表于 IEEE Computer, Volume 42, Issue 8, pp. 30-37，DOI: 10.1109/MC.2009.263。截至 2026 年，Google Scholar 引用 15,000+，ACM Digital Library 引用 4,100+。
2. 核心贡献：提出了由简到繁、层层递进的矩阵分解建模框架：
3. 基本 MF 模型：$R \approx P \times Q^T$，用内积预测评分
4. Bias 建模：$\hat{r}_{ui} = \mu + b_u + b_i + q_i^T p_u$，分离系统性偏差
5. SVD++：融合隐式反馈信号
6. timeSVD++：引入时间动态建模
7. 优化方法：详细讨论了随机梯度下降（SGD）和交替最小二乘法（ALS）两种优化策略的优劣与适用场景。
8. 历史地位：将 Netflix Prize 竞赛中的实战经验升华为可复用的学术知识，确立了隐因子模型作为推荐系统第一范式的地位。此后十年中，几乎所有推荐系统研究都以矩阵分解为基线或出发点。
9. 现代视角：矩阵分解中的隐因子向量本质上是现代深度学习中的 Embedding，该论文的思想直接影响了 Neural Collaborative Filtering、Wide & Deep、DeepFM 等后续深度学习推荐方法。

来源

• 推荐系统/04-matrix-factorization-for-recsys.md — 深度解读 Matrix Factorization Techniques for Recommender Systems
• [[]] —

相关

• Yehuda Koren — 第一作者
• Robert Bell — 共同作者
• Chris Volinsky — 共同作者
• Netflix Prize — 论文背景
• 矩阵分解 — 核心技术
• Neural Collaborative Filtering — 后续深度学习演进
• SVD++ — 提出的扩展模型
• timeSVD++ — 提出的时间动态模型