Milyen klasszikus megközelítések léteznek az ajánlórendszerekben az interakciós mátrix hiányosságainak kitöltésére?

Ajánlórendszerekben az interakciós mátrix (például felhasználó-termék) gyakran tartalmaz hiányzó értékeket, mivel nem minden felhasználó lép kölcsönhatásba minden objektummal. Az ilyen hiányosságok kitöltésére klasszikus megközelítések a következők:

• Átlagérték: a hiányzó értékeket a felhasználó átlagos értékelésével vagy az objektum átlagával töltjük ki.
• Kollaboratív szűrés:
  • Felhasználó-alapú: hasonló felhasználók alapján történő előrejelzés.
  • Objektum-alapú: hasonló objektumok alapján történő előrejelzés.
• Mátrix faktorizáció:
  • SVD (szinguláris értékek felbontása)
  • ALS (alternatív legkisebb négyzetek)
  • FunkSVD és más mátrixfaktorozási módszerek, amelyek a hiányzó értékeket alacsony rangú közelítéssel rekonstruálják.
• Gépi tanuláson alapuló modellek:
  • Regressziós módszerek, neurális hálózatok, gradiens boosting a hiányzó értékek előrejelzésére.

Általában nagy és ritka mátrixok esetén mátrixfaktorozást alkalmaznak, mivel jól azonosítja a rejtett tényezőket és pontos előrejelzéseket ad.