6.7.1　优点

作为一类特殊的协同过滤算法，矩阵分解算法具备协同过滤算法的所有优点，具体表现如下。

1.不依赖用户和标的物的其他信息，只需要用户行为就可以为用户做推荐

矩阵分解算法也是一类协同过滤算法，它只需要根据用户行为就可以为用户生成推荐结果，而不需要使用用户或者标的物的其他信息，而这类其他信息往往是半结构化或者非结构化信息，不易处理，有时也较难获得。

矩阵分解是领域无关的一类算法，因此，该优点让矩阵分解算法基本可以应用于所有推荐场景，这也是矩阵分解算法在工业界大受欢迎的重要原因。

2.推荐精准度不错

矩阵分解算法是Netflix推荐大赛中获奖算法中非常重要的一类算法，准确度是得到业界一致认可和验证的，笔者所在公司的推荐业务中也大量采用了矩阵分解算法，效果是非常不错的。

3.可以为用户推荐惊喜的标的物

协同过滤算法是利用群体的智慧来为用户推荐的，具备为用户差异化推荐、有惊喜度的标的物的能力，矩阵分解算法作为协同过滤算法中一类基于隐因子的算法，当然也具备这个优点，甚至相比user-based和item-based协同过滤算法有更好的效果。

4.易于并行化处理

通过6.3节矩阵分解的ALS求解过程，我们可以知道矩阵分解是非常容易并行化的，Spark MLlib库中就是采用ALS算法进行分布式矩阵分解的。