本文是翻譯下面論文的一部分，本人不擁有版權，僅供學習交流。
作者所用的split Bregman方法我沒找到源碼，作者給的過程也不太清楚，難以實現，本人水平有限。
隱語義模型矩陣分解方法
Latent factor model 將評分矩陣分解爲用戶偏好矩陣和商品的屬性特徵矩陣，如圖所示
求解方法如文章中所述，爲了避免過度平滑，採用L1正則化項作約束。代價函數爲
總體思路：隨機初始化一個V矩陣，對於給定的V，可以使上式最小化，求得U；對於U又可以得到新的V，直到收斂，U和V在循環中更新。
具體方法：
1.對於給定的V，優化問題則變成
2.引入變量dU, bU, dU = U, bU = dU − U
【我不明白的是8式第一項中怎麼出現了下標m，最後一項是什麼範數，默認2範數？？】
3.將上述算法分成三步，即迭代式
其中第一個可以用梯度下降法來做，α是步長
第二個式子可以通過萎縮（shrinkage）來求解
【啥叫萎縮，爲何不引用參考資料，或者給出公式，這樣讓小白一頭霧水】
然後求得U。固定U，分裂Bregman迭代方法用於求解J(V),即6式，用θV, dV, bV.替換θU, dU, bU
注意：
正則化參數λ1 ，λ2增大，user和item的特徵矩陣，即U和V變得稀疏；
引入的θU ， θV徵控制在求解過程中的噪聲比，可分別設置爲β·λ1 ，β·λ2,
作者發現λ1, λ2∈ [10e-3, 10e-2], β∈[1, 2]可以取得好效果
總的方法如下：
【我試試問通信作者要點代碼，或請求給點建議，拭目以待，敬候佳音】
另外有相關問題可以加入QQ羣討論，不設微信羣
QQ羣：868373192
語音圖像視頻深度-學習羣