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、D。

**分析如下：**

**B: 一个常见的矩阵分解算法**
- 正确。SVD是一种常见的矩阵分解算法，它将一个矩阵分解为三个矩阵的乘积：一个正交矩阵、一个对角矩阵和另一个正交矩阵。具体来说，对于一个矩阵 \(A\)，可以分解为 \(A = U\Sigma V^T\)，其中 \(U\) 和 \(V\) 是正交矩阵，\(\Sigma\) 是对角矩阵。

**C: SVD经常拿来做损失较小的有损压缩**
- 正确。SVD在数据压缩中非常有用。通过保留最大的奇异值和对应的奇异向量，可以实现数据的有损压缩，同时尽可能保留原始数据的重要信息。

**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**
- 正确。奇异值分解中的奇异值类似于主成分分析中的主成分。通过选择前 \(K\) 个奇异值及其对应的奇异向量，可以有效地降维，并保留绝大部分的数据信息。这种方法在实践中非常常见。

**A: SVD无法用作降维**
- 错误。SVD实际上是一个非常有效的降维工具。通过选择前 \(K\) 个最大的奇异值及其对应的奇异向量，可以将高维数据投影到低维空间，从而实现降维。

综上所述，正确答案是B、C、D。