- ¿Por qué utilizar la factorización de matriz en el sistema de recomendación??
- ¿Netflix todavía usa la factorización de matriz??
- ¿La estimación de matriz proporciona recomendaciones personalizadas??
- ¿Por qué usar NMF sobre SVD??
¿Por qué utilizar la factorización de matriz en el sistema de recomendación??
El filtrado colaborativo es la aplicación de la factorización de la matriz para identificar la relación entre los elementos y las entidades de los usuarios. Con la entrada de las clasificaciones de los usuarios en los artículos de la tienda, nos gustaría predecir cómo los usuarios calificarían los elementos para que los usuarios puedan obtener la recomendación basada en la predicción.
¿Netflix todavía usa la factorización de matriz??
Se demostró que la factorización de matriz latente supera a otros métodos de recomendación en el concurso de recomendaciones de Netflix y se ha vuelto muy popular desde entonces desde entonces desde entonces. La factorización de la matriz se puede extender a modelos más complejos a través de un aprendizaje profundo, donde la matriz de usuarios se descompone en muchas capas.
¿La estimación de matriz proporciona recomendaciones personalizadas??
A cambio, el sistema de filtrado colaborativo proporciona recomendaciones personalizadas útiles para nuevos elementos.
¿Por qué usar NMF sobre SVD??
En tales casos, NMF funciona mejor ya que la suposición de valores desaparecidos está incorporado al algo. En caso de SVD, no asume nada sobre los valores faltantes. Por lo tanto, debe dar una imputación de valor faltante para SVD. Esto podría traer ruido innecesario.