In allen modernen Empfehlungssystemen, die ich gesehen habe und die auf einer Matrixfaktorisierung beruhen, wird eine nicht negative Matrixfaktorisierung für die Benutzerfilmmatrix durchgeführt. Ich kann verstehen, warum Nicht-Negativität für die Interpretierbarkeit wichtig ist und / oder wenn Sie spärliche Faktoren wünschen. Aber wenn Sie sich nur für die Prognoseleistung interessieren, wie zum Beispiel beim Netflix-Preiswettbewerb, warum sollten Sie dann die Nicht-Negativitätsbeschränkung auferlegen? Es scheint streng schlimmer zu sein, als auch negative Werte in Ihrer Faktorisierung zuzulassen.
Dieses Papier ist ein häufig genanntes Beispiel für die Verwendung der nicht-negativen Matrixfaktorisierung bei der kollaborativen Filterung.
Antworten:
Ich bin kein Spezialist für Empfehlungssysteme, aber soweit ich weiß, ist die Prämisse dieser Frage falsch.
Nicht-Negativität ist für die kollaborative Filterung nicht so wichtig.
Der Netflix-Preis wurde 2009 vom BellKor-Team gewonnen. Hier ist das Papier, das ihren Algorithmus beschreibt: Die BellKor 2008-Lösung für den Netflix-Preis . Wie leicht zu erkennen ist, verwenden sie einen SVD-basierten Ansatz:
Siehe auch diese populärere Beschreibung derselben Matrix-Faktorisierungstechniken für Empfehlungssysteme . Sie reden viel über SVD, erwähnen aber NNMF überhaupt nicht.
Siehe auch diesen beliebten Blog-Beitrag Netflix Update: Try This at Home von 2006, in dem auch SVD-Ideen erläutert werden.
Natürlich haben Sie Recht und es gibt einige Arbeiten zur Verwendung von NNMF für die kollaborative Filterung. Was funktioniert also besser, SVD oder NNMF? Ich habe keine Ahnung, aber hier ist die Schlussfolgerung einer vergleichenden Studie über kollaborative Filteralgorithmen aus dem Jahr 2012:
quelle