Çarpanlara Ayırma Yöntemi bağlamında, gizli özellikler genellikle her boyut boyunca öğeleri karakterize etmek içindir. Örnek olarak açıklayayım.
Biz öğe kullanıcıların etkileşimlerinin bir matris olduğunu varsayalım . Matris Çarpanlara ayırma yöntemlerindeki model varsayımı , bu matrisin her hücresinin , örneğin - kullanıcı ile gizli bir gizli vektörü arasındaki bir nokta ürünü tarafından , öğesini tanımladığıdır. . Sezgisel olarak, bu ürün bu vektörlerin ne kadar benzer olduğunu ölçer. Egzersiz sırasında, yaklaşık hatası en aza indirilecek şekilde "iyi" vektörler bulmak istersiniz.R u i p T u q i p u u q i iRRuipTuqipuuqii
Bir bu gizli özellikler olduğunu, kullanıcının vektör bir özellik vardır, anlamlı olduğunu düşünebilir öğenin vektör içinde ve karşılık gelen özelliği "özelliği X öğeleri sever" gibi "özelliği X vardır" gibi. Ne yazık ki, bir şekilde uygulanmadıkça, yorumlanabilir gizli özellikler bulmak zor. Böylece, gizli özellikleri bu şekilde düşünebilirsiniz, ancak bu özellikleri veriler hakkında akıl yürütmek için kullanamazsınız.q ipuqi