Matrix Factorization（矩阵分解）
由于CF类方法难以泛化、无法融入其他特征的缺点，对其进行改进，得到MF。
MF仍然是利用用户-物品矩阵，计算矩阵分解，直接得到各个用户的向量和各个物品的向量，让它们的内积就是用户物品矩阵里的点击次数。
传统的MF方式就是svd，但是由于svd的计算成本大和用户物品矩阵的稀疏性，不考虑直接做svd，而是用学习的方式，来对大矩阵进行拟合（本质上和word2vec对于词语局部共现矩阵的拟合是一样的）。
pros and cons：
MF解决了稀疏和泛化的问题，但是仍然没有融入其它特征，只用了用户对物品的历史记录。