Kādi ir klasiskie pieejas, lai aizpildītu trūkumus interakciju matricā rekomendāciju sistēmās?

Rekomendāciju sistēmās bieži sastopama mijiedarbības matrica (piemēram, lietotājs-produkts), kas bieži satur tukšas vietas, jo ne visi lietotāji mijiedarbojas ar visiem objektiem. Klasiskie pieejas šādu tukšo vietu aizpildīšanai ir:

• Vidējā vērtība: tukšās vietas aizpildīt ar lietotāja vidējo vērtējumu vai objekta vidējo.
• Kolaboratīvā filtrēšana:
  • Balstīta uz lietotāju: prognoze, balstoties uz līdzīgiem lietotājiem.
  • Balstīta uz objektu: prognoze, balstoties uz līdzīgiem objektiem.
• Matricas faktorizācija:
  • SVD (singulāro vērtību sadalījums)
  • ALS (alternatīva kvadrātu minimizācija)
  • FunkSVD un citas matricas faktorizācijas metodes, kas atjauno trūkstošās vērtības ar zema ranga tuvinājumu.
• Mašīnmācīšanās modeļi:
  • Regressijas metodes, neironu tīkli, gradienta pastiprināšana, lai prognozētu trūkstošās vērtības.

Parasti lielām un retām matricām tiek izmantota matricas faktorizācija, jo tā labi atklāj slēptos faktorus un nodrošina precīzas prognozes.