Значение скрытых черт?

Я пытаюсь понять модели матричной факторизации для рекомендательных систем и всегда читаю «скрытые функции», но что это значит? Я знаю, что означает особенность для учебного набора данных, но я не могу понять идею скрытых возможностей. Каждая статья по теме, которую я могу найти, слишком мелкая.

Редактировать:

если вы хотя бы можете указать мне на некоторые статьи, которые объясняют идею.

Скрытый означает, что непосредственно не наблюдается. Обычное использование термина в PCA и Factor Analysis состоит в том, чтобы уменьшить размерность большого количества непосредственно наблюдаемых признаков в меньший набор косвенно наблюдаемых признаков.

В контексте метода факторизации скрытые признаки обычно предназначены для характеристики элементов по каждому измерению. Позвольте мне объяснить на примере.

$R$$R_{ui}$$p_u^T q_i$$p_u$$u$$q_i$$i$

$p_u$$q_i$

Я бы сказал, что факторы более репрезентативны, чем основные компоненты, чтобы получить представление о «латентности» / скрытости переменной. Задержка является одной из причин, почему поведенческие ученые измеряют перцептивные конструкции, такие как чувство, грусть, с помощью множества элементов / мер и выводят число для таких скрытых переменных, которые нельзя измерить напрямую.

Здесь ваши данные - это рейтинги, присвоенные различными пользователями для разных фильмов. Как отмечали другие, скрытые средства не поддаются непосредственному наблюдению.

Для фильма его скрытые свойства определяют количество действия, роман, сюжетную линию, известного актера и т. Д. Аналогично, для другого набора данных, состоящего из рукописных цифр, скрытыми переменными могут быть угол ребер, перекос и т. Д.