更新 SVD项目

docs/14.利用SVD简化数据.md

@@ -163,7 +163,7 @@ def loadExData2():
            [1, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0]]
 ```
 
-> 分析数据: 暂时不需要
+> 分析数据: 暂时不需要(当然此处可以对比不同距离之间的差别)
 
 > 训练算法: 通过调用 recommend() 函数进行推荐
 
@@ -312,7 +312,7 @@ def recommend(dataMat, user, N=3, simMeas=cosSim, estMethod=standEst):
 问题
 * 1）在大规模的数据集上，SVD分解会降低程序的速度
 * 2）存在其他很多规模扩展性的挑战性问题，比如矩阵的表示方法和计算相似度得分消耗资源。
-* 3）如何在缺乏数据时给出好的推荐-称为冷启动【简单说：用户不会喜欢一个无效的物品，而用户不喜欢的物品又无效。】
+* 3）如何在缺乏数据时给出好的推荐-称为冷启动【简单说：用户不会喜欢一个无效的物品，而用户不喜欢的物品又无效】
 
 建议
 * 1）在大型系统中，SVD分解(可以在程序调入时运行一次)每天运行一次或者其频率更低，并且还要离线运行。