（1）SVD（Singular value decomposition）：奇异值分解，矩阵分解的算法之一。
在数据分析中的输入矩阵A一般是非奇异矩阵，而使用SVD可将A分解成一个对角阵B，形式如下：
A = P B Q
这里的B是不带有隐特征的，但由于SVD计算量太大，一般都用MF模型
（2）MF（Matrix Factorization）：也是一种矩阵分解。形式如下：
A = （P的转置）Q
隐特征在P和Q之内
（3）FM（Factorization Machine）：
FM模型是用于推荐系统的一种新提出来的推荐模型，用于预测用户对某个该用户没有选择过的项目的评分，依据评分的高低针对用户进行推荐。FM模型也是一种有监督的学习过程，也就是说要有训练集，通过训练集的数据进行参数训练来得到模拟推荐的模型的最优。
隐特征在（Vi，Vj）中
来源：https://blog.csdn.net/woshiliulei0/article/details/99978276