1. 什么叫做矩阵分解？
满足于 Av = λv ，矩阵分解又分为：特征分解和奇异值分解
特征分解：只限于方征，Av = λv 其中的 v 是 矩阵 A 的特征向量，如果公式成立的话，那么 λ 就是对应的特征值，每个矩阵不只含有唯一的特征向量和对应的特征值。
奇异值分解：任何矩阵，常用于个性化推荐、PCA 降维和 NLP，公式为 A = U∑VT ，其中 是一个
的矩阵，
是一个
的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，
是一个
的矩阵。
如何求解 U,Σ,V这三个矩阵
如果我们将A的转置和A做矩阵乘法，那么会得到n×n的一个方阵 。既然
是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：
这样我们就可以得到矩阵 的n个特征值和对应的n个特征向量v了。将
的所有特征向量张成一个n×n的矩阵V，就是我们SVD公式里面的V矩阵了。一般我们将V中的每个特征向量叫做A的右奇异向量。
如果我们将A和A的转置做矩阵乘法，那么会得到m×m的一个方阵 。既然
是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：
这样我们就可以得到矩阵 的m个特征值和对应的m个特征向量u了。将
的所有特征向量张成一个m×m的矩阵U，就是我们SVD公式里面的U矩阵了。一般我们将U中的每个特征向量叫做A的左奇异向量。
U和V我们都求出来了，现在就剩下奇异值矩阵Σ没有求出了.
由于Σ除了对角线上是奇异值其他位置都是0，那我们只需要求出每个奇异值σ就可以了。
我们注意到:
这样我们可以求出我们的每个奇异值，进而求出奇异值矩阵Σ。
上面还有一个问题没有讲，就是我们说 的特征向量组成的就是我们SVD中的V矩阵，而
的特征向量组成的就是我们SVD中的U矩阵，这有什么根据吗？这个其实很容易证明，我们以V矩阵的证明为例。
上式证明使用了 。可以看出
的特征向量组成的的确就是我们SVD中的V矩阵。类似的方法可以得到
的特征向量组成的就是我们SVD中的U矩阵。
进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方，也就是说特征值和奇异值满足如下关系：
这样也就是说，我们可以不用 来计算奇异值，也可以通过求出
的特征值取平方根来求奇异值。
SVD 常用于推荐算法，数据降维和降噪，实现并行化