以过度简化为代价，潜在特征是“隐藏”特征，以将它们与观察到的特征区分开来。潜在特征是使用矩阵分解从观察到的特征中计算出来的。一个例子是文本文档分析。从文档中提取的“单词”是特征。如果你分解词的数据，你可以找到“主题”，其中“主题”是一组具有语义相关性的词。低秩矩阵分解将几行（观察到的特征）映射到一组较小的行（潜在特征）。详细地说，该文档可能已经观察到诸如 [sail-boat, schooner, yatch, steamer, Cruiser] 之类的特征（词），这些特征（词）将“分解”为“ship”和“boat”等潜在特征（主题）。

[帆船，大篷车，游艇，轮船，巡洋舰，...] -> [船，船]

基本思想是潜在特征是观察到的特征的语义相关“聚合”。当你有大规模、高维和嘈杂的观察特征时，在潜在特征上构建分类器是有意义的。

这当然是阐明概念的简化描述。您可以阅读有关潜在狄利克雷分配 (LDA) 或概率潜在语义分析 (pLSA) 模型的详细信息，以获得准确的描述。

假设您有(MxN)稀疏矩阵，其中M-- 代表给出推荐的用户数，并且N是推荐的项目数。这$x_{ij}$矩阵的元素是给定的建议，缺少一些元素，即要预测。

然后可以通过引入K“潜在因素”来“分解”您的矩阵，这样您就有两个矩阵，而不是一个矩阵： --for (MxK)users，和--for (KxN)items，其矩阵乘法产生原始矩阵。

最后，对于您的问题：矩阵分解中的潜在特征是什么？它们是K用户品味和推荐项目中的未知特征（ ），因此当这两个矩阵相乘时，它们会产生已知推荐矩阵。通过所谓的交替最小二乘算法定义特定权重（用户对特定特征的偏好和特定项目中特征的数量），您可以在此处阅读更多信息

另一个例子，考虑用户对电影评分矩阵的情况，如 Netflix 设置。这将是一个难以处理的巨大稀疏矩阵。

请注意，每个用户都会有特定的偏好，例如科幻电影或爱情电影等。因此，我们可以存储单个潜在特征，例如属于不同类型的电影类别，而不是存储所有电影评级：例如：科幻或浪漫，以量化他对每个类别的品味为准。这些被称为潜在特征，它捕捉了他的品味的本质，而不是存储整个电影列表。

当然，这将是一个近似值，但另一方面，您可以存储的东西很少。

这通常使用矩阵分解技术来完成，例如 SVD$N*N$用户到项目推荐矩阵$N*1$用户偏好矩阵和$1*N$项目偏好矩阵，添加的优点是，而不是存储$N^2$我们有效存储的数字$2N$.

在我看来，潜在特征是一个术语，用于描述按结构对实体进行分类的标准，换句话说，是按它们包含的特征（特征），而不是它们所属的类。此处“潜在”一词的含义很可能与其在社会科学中的含义相似，其中非常流行的术语潜在变量意味着不可观察的变量（概念）。

本文的“引言”部分很好地解释了潜在特征在社会科学现象建模中的意义和用途。