參考一：https://www.cnblogs.com/endlesscoding/p/10033527.html
裏面講述了SVD相關的矩陣基本概念和SVD在圖片中的應用
參考二：https://www.bilibili.com/video/av15971352?p=3
奇異值是7.7和2.6，小的奇異值可以舍掉，可以減少計量，也可以除噪
是由C同理B的操作得到的
參考三：https://www.cnblogs.com/flightless/p/10424035.html
詳解了SVD和SVD在推薦系統中的應用，通過SVD實現評分矩陣的降維，這樣計算相似性時速度更快（並附有代碼）
SVD應用於推薦系統
數據集中行代表用戶user，列代表物品item，其中的值代表用戶對物品的打分。基於SVD的優勢在於：用戶的評分數據是稀疏矩陣，可以用SVD將原始數據映射到低維空間中，然後計算物品item之間的相似度，可以節省計算資源。
整體思路：先找到用戶沒有評分的物品，然後再經過SVD“壓縮”後的低維空間中，計算未評分物品與其他物品的相似性，得到一個預測打分，再對這些物品的評分從高到低進行排序，返回前N個物品推薦給用戶。