我会给你一些矩阵分解仍然很好用的场景。

1. 主题建模：给定一个文档矩阵作为行和术语/单词作为列，您可以使用非负矩阵分解来识别主题。主题数由用户定义或可以视为超参数。

图片参考：https ://towardsdatascience.com/nmf-a-visual-explainer-and-python-implementation-7ecdd73491f8

2. 协同过滤是一类推荐引擎，广泛使用矩阵分解

3. 矩阵分解也可以用作许多 ML 算法的特征缩减。事实上，最常用的特征缩减技术 PCA 是一种矩阵分解

是的，我们可能有先进的算法，它们可能表现更好，但不要忘记。

机器学习中没有免费午餐定理：对于每个用例，没有 ML 算法会胜过其他所有算法

所以是的，矩阵分解仍然是相关的，并且构成了许多高级 ML 算法的主干