- Mengapa menggunakan faktorisasi matriks dalam sistem rekomendasi?
- Apakah Netflix masih menggunakan faktorisasi matriks?
- Apakah estimasi matriks memberikan rekomendasi yang dipersonalisasi?
- Mengapa menggunakan NMF melalui SVD?
Mengapa menggunakan faktorisasi matriks dalam sistem rekomendasi?
Penyaringan kolaboratif adalah aplikasi faktorisasi matriks untuk mengidentifikasi hubungan antara item 'entitas dan pengguna pengguna. Dengan input peringkat pengguna pada item toko, kami ingin memprediksi bagaimana pengguna akan menilai item sehingga pengguna bisa mendapatkan rekomendasi berdasarkan prediksi.
Apakah Netflix masih menggunakan faktorisasi matriks?
Faktorisasi matriks laten terbukti mengungguli metode rekomendasi lain dalam kontes rekomendasi Netflix dan telah menjadi sangat populer sejak itu. Faktorisasi matriks dapat diperluas ke model yang lebih kompleks melalui pembelajaran mendalam, di mana matriks pengguna-item didekomposisi menjadi banyak lapisan.
Apakah estimasi matriks memberikan rekomendasi yang dipersonalisasi?
Sebagai imbalannya, sistem penyaringan kolaboratif memberikan rekomendasi pribadi yang berguna untuk item baru.
Mengapa menggunakan NMF melalui SVD?
Dalam kasus seperti itu, NMF bekerja lebih baik karena asumsi nilai-nilai yang hilang dimasukkan ke dalam algo. Dalam kasus SVD, tidak menganggap apa pun tentang nilai yang hilang. Jadi Anda perlu memberikan imputasi nilai yang hilang untuk SVD. Ini mungkin membawa kebisingan yang tidak perlu.