Модель матричної факторизації розкладає рейтинги елементів користувача на добуток двох менших матриць. Один містить користувачів, а інший містить елементи. Що стосується спільного фільтрування, у випадку користувач-користувач, мета полягає в тому, щоб передбачити або рекомендувати на основі минулих оцінок користувача, тобто оцінок, наданих подібними користувачами. 23 серпня 2013 р.

Матрична факторизація — це клас алгоритмів спільної фільтрації використовується в системах рекомендацій. Алгоритми факторизації матриць працюють шляхом розкладання матриці взаємодії користувача й елемента на добуток двох прямокутних матриць меншої розмірності.

Матрична факторізація є проста модель вбудовування. Враховуючи матрицю зворотного зв’язку A ∈ R m × n, де – кількість користувачів (або запитів), а – кількість елементів, модель вивчає: Матрицю вбудовування користувача U ∈ R m × d, де рядок i – це вбудовування для користувач i.

Він порівняно добре обробляє розріджені та багатовимірні дані. Ви можете додати метаінформацію навколо користувача та елемента для більшого контексту. Отже, Машина факторизації не є чистим методом спільної фільтрації наприклад NCF і матрична факторизація, яка використовує лише взаємодію між користувачем і елементом.

Фільтрування на основі вмісту схоже на рекомендацію вмісту на основі вмісту фільмів, які вам подобаються. Спільна фільтрація схожа на рекомендацію вмісту на основі того, що сподобалося іншим людям із подібними вподобаннями.

Основним недоліком матричної факторизації є те, що це може бути обчислювально дорогим, особливо якщо в наборі даних є велика кількість користувачів і елементів. Крім того, матрична факторізація може бути чутливою до шуму в даних, що може знизити точність рекомендацій.