引入隐语意模型：
在常见的协同过滤中，我们要求只有在两个用户对同一个物品进行评分或者两个物品被同一个用户打分后我们才可以计算用户的相似度。这种计算相似度的方式其实没有考量到物品或者用户背后的关联性。所以我们通过把物品和用户都拆解成隐语意向量的方式，来对用户对物品的评分进行预测，这就是隐语意模型的意义。
隐语意模型的具体内容：
认为每个用户都有自己的偏好，同时每个物品也包含所有用户的偏好信息；那么就可以认为用户对物品的高评分体现就是物品中的偏好正好与用户偏好相对应了。那么我们就可以通过用户潜在因子矩阵和物品潜在因子矩阵来预测用户对物品打分的值。
将评分矩阵拆解成两个隐语意矩阵，提取出用户对隐语意因子的喜好程度和物品对隐语意因子符合的程度。这种隐语意的提取方式即为矩阵分解。
