Quelles approches classiques existent pour remplir les lacunes dans la matrice d'interactions dans les systèmes de recommandation?

Dans les systèmes de recommandation, la matrice d'interactions (par exemple, utilisateur-produit) contient souvent des lacunes, car tous les utilisateurs n'interagissent pas avec tous les objets. Les approches classiques pour remplir ces lacunes incluent :

• Valeur moyenne : remplir les lacunes avec la note moyenne de l'utilisateur ou la moyenne par objet.
• Filtrage collaboratif :
  • Basé sur l'utilisateur : prédiction basée sur des utilisateurs similaires.
  • Basé sur l'objet : prédiction basée sur des objets similaires.
• Décomposition matricielle :
  • SVD (décomposition en valeurs singulières)
  • ALS (minimisation par moindres carrés alternatifs)
  • FunkSVD et autres méthodes de factorisation de matrices qui reconstruisent les valeurs manquantes via une approximation de rang inférieur.
• Modèles basés sur l'apprentissage automatique :
  • Utilisation de méthodes de régression, réseaux neuronaux, boosting de gradient pour prédire les valeurs manquantes.

Généralement, pour les matrices grandes et dispersées, la décomposition matricielle est utilisée, car elle identifie bien les facteurs cachés et fournit des prédictions précises.