- Warum sollten Sie die Matrixfaktorisierung im Empfehlungssystem verwenden??
- Verwendet Netflix noch die Matrixfaktorisierung??
- Liefert Matrixschätzung personalisierte Empfehlungen??
- Warum NMF über SVD verwenden?
Warum sollten Sie die Matrixfaktorisierung im Empfehlungssystem verwenden??
Die kollaborative Filterung ist die Anwendung der Matrixfaktorisierung, um die Beziehung zwischen Elementen und Benutzern zu identifizieren. Mit der Eingabe der Bewertungen der Benutzer in den Shop -Artikeln möchten wir vorhersagen, wie die Benutzer die Elemente bewerten würden, damit die Benutzer die Empfehlung basierend auf der Vorhersage erhalten können.
Verwendet Netflix noch die Matrixfaktorisierung??
Es wurde gezeigt, dass eine latente Matrixfaktorisierung andere Empfehlungsmethoden im Netflix -Empfehlungswettbewerb übertreffen und seitdem sehr beliebt geworden ist. Die Matrixfaktorisierung kann durch Deep Learning auf komplexere Modelle ausgedehnt werden, bei denen die Benutzer-Elemente-Matrix in viele Schichten zerlegt wird.
Liefert Matrixschätzung personalisierte Empfehlungen??
Im Gegenzug bietet das kollaborative Filtersystem nützliche personalisierte Empfehlungen für neue Elemente.
Warum NMF über SVD verwenden?
In solchen Fällen funktioniert NMF besser, da die Annahme, dass die Annahme der fehlenden Werte in die Algo eingebaut ist. Im Falle von SVD geht es nichts über fehlende Werte aus. Sie müssen also eine fehlende Wertschreibung für SVD geben. Dies könnte unnötiges Lärm bringen.