SVD（FunkSVD）是协同过滤中最实用、最易落地的矩阵分解算法；它仅用已知评分通过梯度下降优化user/item隐向量，支持稀疏数据、避免NaN，需合理设lr（0.001起）、reg（≥0.01）、向量维度（20–100）并加裁剪，且评估须结合Top-K指标而非仅RMSE。
协同过滤里用什么矩阵分解算法最实用
实际项目中，SVD（严格说叫 FunkSVD）是协同过滤里最常用、最容易落地的矩阵分解方法。它不依赖用户-物品交互矩阵的完整性和稀疏性，只用已知评分做梯度下降优化，比传统线性代数 SVD 更适合推荐场景。
别一上来就冲 LightFM 或 implicit——它们封装太深，调参黑盒、梯度不可控，debug 时连 loss 飞了都看不出是 learning_rate 还是 regularization 搞的鬼。
-
SVD的核心是两个低维向量：user_factors和item_factors，维度通常设为20–100，再高容易过拟合，再低表达力不够 - 初始化必须用小随机数（比如
np.random.normal(0, 0.01, size=...)），不能全零或太大——否则梯度更新停滞，loss基本不动 - 训练时只遍历有评分的样本（即非空
user_id, item_id, rating三元组），不是对整个稠密矩阵算 MSE
怎么写一个能跑通的 FunkSVD 训练循环
不用框架也能写清楚：核心就是对每个已知评分，算预测值 np.dot(user_vec, item_vec)，再按梯度更新两个向量。关键不是“多快”，而是“每步更新是否合理”。
常见错误是把 rating 当作分类标签处理，或者漏掉正则项——这会导致模型疯狂放大向量模长来拟合个别高分，泛化全崩。
立即学习“Python免费学习笔记（深入）”；
- 损失函数必须含 L2 正则：
loss = (rating - pred) ** 2 + reg * (np.sum(user_vec**2) + np.sum(item_vec**2)) - 梯度更新要同步：先算
error = rating - pred，再更新user_vec += lr * (error * item_vec - reg * user_vec)，item_vec同理 - 别用
sklearn.decomposition.TruncatedSVD——它对稀疏矩阵做奇异值分解，不接受显式评分，无法建模用户偏好
for u, i, r in train_data:
pred = np.dot(U[u], V[i])
error = r - pred
U[u] += lr * (error * V[i] - reg * U[u])
V[i] += lr * (error * U[u] - reg * V[i])冷启动和稀疏数据下怎么避免 NaN 和爆炸
训练中途出现 NaN 或 loss 突然飙到 1e8，八成是学习率太大、正则太小、或初始值没归一化。
真实数据里，95% 的用户只评过不到 5 个物品，矩阵极度稀疏——这时候强行用全局均值填充或做标准化，反而引入噪声。不如直接从“只学有数据的地方”出发。
-
lr别超过0.01，建议从0.001开始试；reg别低于0.01，太高会压扁向量，太低抑制不住梯度爆炸 - 每次更新后加个裁剪：
U[u] = np.clip(U[u], -5, 5)，防数值溢出（尤其用 float32 时） - 完全没评过分的新用户，不能直接用全零向量查相似用户——得 fallback 到热门物品或基于内容的粗筛，矩阵分解本身不解决冷启动
评估时为什么 RMSE 不够，还要看 Top-K 推荐效果
矩阵分解优化的是评分预测误差（RMSE），但产品要的是“用户点了哪个”——这两个目标不一致。你可能把 rating 预测得非常准，但 top-10 推荐全是用户早就不感兴趣的旧品类。
所以训练完必须跑一次 recall@10 或 ndcg@5：对每个用户，用 np.dot(U[u], V.T) 得到他对所有物品的打分，取 top-K，再和他真实交互过的物品比交集。
- 别在全量物品池上算 top-K——线上不可能召回百万物品再排序，得先用倒排索引或
faiss做近邻检索 - 验证集里用户必须有至少 2 条交互：1 条留作测试点击，其余用于生成
U[u]，否则U[u]是随机初始化的，没意义 - 如果
RMSE下降但recall@10不涨，大概率是模型过拟合了评分噪声，该加 dropout（对隐向量加 mask）或早停
实际部署时，最难的不是写完 SVD，而是怎么让 U[u] 和 V[i] 在用户实时行为进来后快速更新——在线学习那块，梯度累积、版本对齐、特征时效性，才是真正卡住上线的点。
