რა კლასიკური მიდგომებია რეკომენდაციების სისტემებში ურთიერთქმედების მატრიცაში ხარვეზების შევსებისთვის?

შეფასების სისტემებში ურთიერთქმედების მატრიცა (მაგალითად, მომხმარებელი-პროდუქტი) ხშირად შეიცავს გამოტოვებულ მონაცემებს, რადგან ყველა მომხმარებელი არ ურთიერთობს ყველა ობიექტთან. ასეთი გამოტოვებული მონაცემების შევსების კლასიკური მეთოდებია:

• საშუალო მნიშვნელობა: გამოტოვებული მონაცემების შევსება მომხმარებლის საშუალო შეფასებით ან ობიექტის საშუალო შეფასებით.
• კოლაბორაციული ფილტრაცია:
  • მომხმარებელზე დაფუძნებული: პროგნოზი მსგავსი მომხმარებლების მიხედვით.
  • ობიექტზე დაფუძნებული: პროგნოზი მსგავსი ობიექტების მიხედვით.
• მატრიცის დაშლა:
  • SVD (სინგულარული მნიშვნელობების დაშლა)
  • ALS (ალტერნატიული მინიმიზაცია კვადრატებით)
  • FunkSVD და სხვა მეთოდები, რომლებიც აღდგენენ გამოტოვებულ მნიშვნელობებს დაბალი რანგის ახლოვებით.
• მოდელები, რომლებიც ეფუძნება მანქანათმეცნიერებას:
  • რეგრესიის მეთოდები, ნეირონული ქსელები, გრადიენტული ბუსტინგი გამოტოვებული მნიშვნელობების პროგნოზისთვის.

ზოგადად, დიდი და სუსტი მატრიცებისთვის გამოიყენება მატრიცის დაშლა, რადგან ის კარგად იდენტიფიცირებს დამალულ ფაქტორებს და უზრუნველყოფს ზუსტ პროგნოზებს.