截断奇异值分解（Truncated Singular Value Decomposition）。

采用随机化 SVD 算法（Halko, Martinsson, Tropp, 2009，即 sklearn TruncatedSVD(solver="randomized") 所使用的算法），针对高维稀疏矩阵 进行截断的奇异值分解：只计算并保留前 k 个最大奇异值所对应的分量， 从而将一个 m×n 的稀疏矩阵降维为 m×k 的稠密（非稀疏）矩阵。

与完整的 SingularValueDecomposition（LINPACK 稠密算法， 需要将矩阵完全稠密化，O(m·n) 内存）不同，本算法在整个计算流程中 仅依赖稀疏矩阵-向量乘法（A·x 与 Aᵀ·y，均为 O(nnz) 复杂度）， 不会将原始高维稀疏矩阵稠密化，时间复杂度为 O(nnz·ℓ·(2q+3) + (m+n)·ℓ² + ℓ³)，空间复杂度为 O(nnz + (m+n)·ℓ)， 其中 ℓ = k + 过采样维度，q 为幂迭代次数。

A ≈ U·Σ·Vᵀ，其中 U 为 m×k 的列正交矩阵（左奇异向量）， Σ 为 k 个降序排列的奇异值，V 为 n×k 的列正交矩阵（右奇异向量）。 降维结果通过 TruncatedSVD.ReducedMatrix（= U·Σ = A·V）获得。