Quais abordagens clássicas existem para preencher lacunas na matriz de interações em sistemas de recomendação?

Nos sistemas de recomendação, a matriz de interações (por exemplo, utilizador-produto) muitas vezes contém lacunas, pois nem todos os utilizadores interagem com todos os objetos. As abordagens clássicas para preencher essas lacunas incluem:

• Valor médio: preencher as lacunas com a classificação média do utilizador ou a média por objeto.
• Filtragem colaborativa:
  • Baseada no utilizador: previsão baseada em utilizadores semelhantes.
  • Baseada no item: previsão baseada em objetos semelhantes.
• Decomposição matricial:
  • SVD (decomposição em valores singulares)
  • ALS (mínimos quadrados alternativos)
  • FunkSVD e outros métodos de fatoração de matrizes que reconstruem valores ausentes através de uma aproximação de baixo rank.
• Modelos baseados em aprendizagem de máquina:
  • Uso de métodos de regressão, redes neurais, boosting de gradiente para prever valores ausentes.

Geralmente, para matrizes grandes e dispersas, aplica-se a decomposição matricial, pois ela identifica bem os fatores ocultos e fornece previsões precisas.