---
id: MATH-MF-001
category: Unified
confidence_score: 1.0
tags: [math, machine-learning, recommender-systems, matrix-factorization, svd, [[Collaborative-Filtering|Collaborative-Filtering]]]
last_reinforced: 2026-04-26
---

# Matrix Factorization (행렬 분해)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "거대하고 성긴(Sparse) 데이터 행렬을 두 개의 작고 밀도 있는 잠재 요인(Latent Factors)으로 쪼개어, 보이지 않는 취향과 특징을 복원하라" — 하나의 커다란 행렬을 두 개 이상의 작은 행렬의 곱으로 분해하여 데이터의 잠재적인 구조를 파악하고 누락된 값을 예측하는 기술.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Latent Space Mapping" — 사용자-아이템 행렬과 같이 데이터가 비어 있는 거대 행렬을 사용자의 성향 행렬과 아이템의 속성 행렬로 분해하여, 둘 사이의 내적을 통해 선호도를 예측하는 패턴.
- **주요 기법:**
    - **SVD (Singular Value Decomposition):** 행렬을 세 개의 특수한 행렬로 분해하여 데이터의 차원을 축소하고 노이즈 제거.
    - **NMF (Non-negative Matrix Factorization):** 모든 요소가 양수인 행렬로 분해하여 부분-전체 관계를 더 명확히 파악 (이미지 분석, 텍스트 마이닝).
- **의의:** 아마존, 넷플릭스 등 현대 추천 시스템의 비약적 발전을 이끈 핵심 알고리즘이며, 고차원 데이터를 다루는 데이터 사이언스의 필수 도구.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 선형적인 관계만 포착할 수 있다는 한계가 있어, 최근에는 신경망 기반의 임베딩(Neural Matrix Factorization)과 결합하여 비선형적인 복잡한 관계까지 학습하는 방향으로 진화.
- **정책 변화:** Antigravity 프로젝트는 사용자의 지식 탐색 로그를 분석하여 개인화된 학습 경로를 추천할 때, 행렬 분해 기법을 활용하여 사용자가 아직 발견하지 못한 '연관 지식'을 도출함.

## 🔗 지식 연결 (Graph)
- [[Collaborative-Filtering|Collaborative-Filtering]], [[Dimensionality-Reduction|Dimensionality-Reduction]], [[Item-Item-Collaborative-Filtering|Item-Item-Collaborative-Filtering]], Neural-Networks-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Matrix-Factorization.md