奇异值分解（SVD）是一个常见的矩阵分解算法。奇异值类似主成分分析，也是一种常用的降维方式，我们往往取Top K个奇异值就能够表示绝大部分信息量，因此SVD经常拿来做损失较小的有损压缩。

正确答案是：B、C和D。

分析如下：

B: 一个常见的矩阵分解算法
- 这是正确的。SVD是一种常见且强大的矩阵分解算法，广泛应用于数据分析、机器学习和信号处理等领域。

C: SVD经常拿来做损失较小的有损压缩
- 这是正确的。SVD可以用于数据压缩，通过保留主要的奇异值和相应的奇异向量，可以在保持大部分信息的情况下减少数据的维度，从而达到有损压缩的效果。

D: 奇异值类似主成分，我们往往取Top K个奇异值就能够表示绝大部分信息量
- 这是正确的。奇异值分解与主成分分析（PCA）有相似之处，尤其是在降维和数据压缩方面。通过选择前K个最大的奇异值及其对应的奇异向量，可以保留数据中大部分的变异信息。

A: SVD无法用作降维
- 这是错误的。实际上，SVD是一个非常有效的降维工具，通过截断奇异值来减少数据的维度，同时保留尽可能多的重要信息。