Welke klassieke benaderingen bestaan er voor het invullen van gaten in de interactiematrix in aanbevelingssystemen?

In aanbevelingssystemen bevat de interactiematrix (bijvoorbeeld gebruiker-product) vaak lege plekken, omdat niet alle gebruikers met alle objecten interactie hebben. Klassieke benaderingen om deze lege plekken op te vullen zijn onder andere:

• Gemiddelde waarde: vul de lege plekken in met de gemiddelde beoordeling van de gebruiker of de gemiddelde beoordeling per object.
• Collaboratief filtering:
  • Gebruikersgebaseerd: voorspelling op basis van vergelijkbare gebruikers.
  • Itemgebaseerd: voorspelling op basis van vergelijkbare objecten.
• Matrixfactorisatie:
  • SVD (singuliere waarde decompositie)
  • ALS (alternatieve kleinste kwadraten)
  • FunkSVD en andere matrixfactorisatie methoden die ontbrekende waarden reconstrueren via een laag-rang benadering.
• Modellen op basis van machine learning:
  • Gebruik van regressiemethoden, neurale netwerken, gradient boosting om ontbrekende waarden te voorspellen.

Meestal wordt voor grote en sparse matrices matrixfactorisatie toegepast, omdat het verborgen factoren goed identificeert en nauwkeurige voorspellingen biedt.