矩阵不能只看功能名称，更要看它在什么场景下能解决问题。把矩阵分解|Matrix Factorization、选择目标函数、最小化目标函数等信息拆开来看，判断会更直接。

先看原文给出的关键信息：矩阵分解|Matrix Factorization 在上节讲过，用户和item之间的关系能用一个关系矩阵表示，而矩阵分解式一个简单的嵌入模型。；然而，只对观察到值完成处理并不是一个好的想法 ，因为矩阵中的所有元素都会对模型产生作用，如果说只用观察到的值完成仿真模拟，则该模型无法得出有效的推荐且泛化能力差。；一句话总结：在推荐系统中，正样本数据集和负样本数据集都是有用的。。继续往下处理时，重点放在这些条件上：稀疏矩阵会导致SVD的求解结果近似为0，导致泛化能力很差。；相反，加权矩阵分解 将目标分解为两个总和： 观察到的条目的总和；加权交替最小二乘（WALS）专门针对这一特定目标。。判断这类内容时，可以把矩阵、系列、矩阵分解哪个好作为检索词，同时以正文中的条件和结论为准。