張量，其實就是所謂的多邊矩陣（向量一個邊的矩陣，矩陣兩個邊的矩陣，如此理解）。張量來做資料探勘，首先我理解資料要有能構建為張量的特點，無非是一，資料本身天然就是張量，如RGB影象天然就是一個三維的張量。樓主查一查可以看到很多相關的張量分解在影象上的應用。另外如上面回答提到的文章，“bayesian poisson tensor factorization for inferring multilateral relations from sparse dyadic event counts”，實際是一種多關係圖的資料，“country i took action toward country j at time t”，這一方面，大多數的應用是在社群發現上，透過適當的演算法設計，可以發現哪些國家經常互動，這些在社交網路上的應用很多。還有就是具有多模態的資料，比如打分推薦系統，電影-使用者-時間構成一個三維的張量，但這樣一個張量往往是很稀疏的，我們怎麼根據使用者有限的打分，“填補”而推薦其沒打過分的電影呢？如果我們假設資料在電影-使用者-時間三個模式都具有很強的相關性，我們就可以利用張量分解設計張量填充演算法，對未打分的資料進行填補，進而給使用者推送電影,2016有本書“Matrix and Tensor Factorization with Recommender System Applications”。另外，最近對於交通資料的丟失和預測也有應用，因為交通資料有多相關性（天，週週期性，空間上的相似性），"A tensor-based method for missing traffic data completion"張量分解的另一個重要問題，就是分解演算法的設計，目前大多數都是基於CP分解和Tucker分解，但是目前也有很多新的分解方法在冒出來。下面給兩個張量分解的示意圖 CP分解 Tucker分解對於張量分解，可以理解為矩陣分解向多維的延伸，可以理解為對高維資料的一種低秩逼近或者特徵提取。
張量，其實就是所謂的多邊矩陣（向量一個邊的矩陣，矩陣兩個邊的矩陣，如此理解）。張量來做資料探勘，首先我理解資料要有能構建為張量的特點，無非是一，資料本身天然就是張量，如RGB影象天然就是一個三維的張量。樓主查一查可以看到很多相關的張量分解在影象上的應用。另外如上面回答提到的文章，“bayesian poisson tensor factorization for inferring multilateral relations from sparse dyadic event counts”，實際是一種多關係圖的資料，“country i took action toward country j at time t”，這一方面，大多數的應用是在社群發現上，透過適當的演算法設計，可以發現哪些國家經常互動，這些在社交網路上的應用很多。還有就是具有多模態的資料，比如打分推薦系統，電影-使用者-時間構成一個三維的張量，但這樣一個張量往往是很稀疏的，我們怎麼根據使用者有限的打分，“填補”而推薦其沒打過分的電影呢？如果我們假設資料在電影-使用者-時間三個模式都具有很強的相關性，我們就可以利用張量分解設計張量填充演算法，對未打分的資料進行填補，進而給使用者推送電影,2016有本書“Matrix and Tensor Factorization with Recommender System Applications”。另外，最近對於交通資料的丟失和預測也有應用，因為交通資料有多相關性（天，週週期性，空間上的相似性），"A tensor-based method for missing traffic data completion"張量分解的另一個重要問題，就是分解演算法的設計，目前大多數都是基於CP分解和Tucker分解，但是目前也有很多新的分解方法在冒出來。下面給兩個張量分解的示意圖 CP分解 Tucker分解對於張量分解，可以理解為矩陣分解向多維的延伸，可以理解為對高維資料的一種低秩逼近或者特徵提取。