例えば、あなたがクラスで友達とおすすめの映画を話しているとします。
でも、どの映画があなたにとって本当に楽しめる映画かわからないですよね。
クラスメイトがいろんな映画に点数をつけたリストがあっても、
その情報をどうやって効率的に使えば良いのかわからない。
見たことがない映画も多いし、誰がどの映画を好きなのかもまちまちです。
ここで役に立つのが「特異値分解（SVD）」です。SVDを使うと、
評価のデータから、あなたや友達がどんな映画を好きになるか予測しやすくなります。
SVDの仕組みを簡単に説明します。
SVDは、映画の評価リストを「友達の特徴」と「映画の特徴」に分ける方法です。
これにより、あなたが見ていない映画でも、きっと楽しめる映画を見つけることができます。
よくある会話から特異性を抽出していく評価データの仕分けです。
初めに：評価データって何？
まず、評価データが何かを理解しましょう。
たとえば、あなたと友達がいろいろな映画に対して
どれくらい好きかを点数で評価したとします。
以下のような表を作ります。
映画A | 映画B | 映画C |
あなた | 5 | 3 | - |
友達1 | 4 | - | 5 |
友達2 | - | 2 | 4 |
友達3 | 1 | 5 | - |
ここで、数字はその映画に対する評価（「-」は評価していない）を示しています。
2. 効率的なおすすめを作るために
特異値分解（SVD）を使って、あなたがまだ見ていないけど、
きっと好きそうな映画をおすすめすることができます。
3. 特異値分解（SVD）とは？
SVDは、上のような評価データを使って、どの映画がどのユーザー
にとっていいかを見つける手助けをします。
ひとつの大きな表を、見やすく整理された3つの小さな表に分ける方法です。
具体的に言うと、この方法は「特徴を抽出する」方法を提供します。
4. 特徴を見つける
評価の表を３つの新しい表に分けることで、
ユーザー（あなたや友達）の特徴、映画の特徴、およびそれらの結びつきを見つけ出せます。
簡単に言うと
ユーザー表: 各ユーザー（あなたや友達）がどんなジャンルが好きかを示す。
映画表: 各映画がどんな特徴を持っているかを示す。
関連表: ユーザーの好みと映画の特徴をつなぐ。
5. アナロジーを使って説明
例えば、あなたがスポーツとアクション映画が好きだとしましょう。
でも、あなたはまだ映画Cを見たことがありません。
あなたの友達1が映画Cを評価していて、
「スポーツ」や「アクション」が特徴的な映画だと言いました。
すると、SVDを使うと、あなたもこの映画Cを楽しめる確率が高いと予測できます。
6. 予測する方法
これを使えば、まだ見ていない映画に対しても、
あなたがどれくらい好きになるかを予測できます。
この予測により、新しい映画や商品をあなたにおすすめできます。
評価データの表を使う: あなたと友達が映画にどれくらい評価したかを見る。
SVDで分解する: 表を３つの小さな表に分けて、特徴を見つける。
新しい映画を予測する: あなたがまだ見ていない映画をおすすめする。
こうして、特異値分解（SVD）は、おすすめをもっと賢くして、
あなたが楽しめる新しい発見を手助けします。