¿Qué enfoques clásicos existen para rellenar los huecos en la matriz de interacciones en los sistemas de recomendación?

En los sistemas de recomendación, la matriz de interacciones (por ejemplo, usuario-producto) a menudo contiene vacíos, ya que no todos los usuarios interactúan con todos los objetos. Los enfoques clásicos para rellenar estos vacíos incluyen:

• Valor medio: rellenar los vacíos con la calificación media del usuario o la media por objeto.
• Filtrado colaborativo:
  • Basado en usuarios: predicción basada en usuarios similares.
  • Basado en ítems: predicción basada en objetos similares.
• Descomposición matricial:
  • SVD (descomposición en valores singulares)
  • ALS (mínimos cuadrados alternativos)
  • FunkSVD y otros métodos de factorización de matrices que reconstruyen los valores faltantes mediante una aproximación de bajo rango.
• Modelos basados en aprendizaje automático:
  • Uso de métodos de regresión, redes neuronales, boosting de gradiente para predecir valores faltantes.

Por lo general, para matrices grandes y dispersas, se aplica la descomposición matricial, ya que identifica bien los factores ocultos y proporciona predicciones precisas.