Tavsiye sistemlerinde etkileşim matrisindeki boşlukları doldurmak için hangi klasik yaklaşımlar vardır?

Öneri sistemlerinde etkileşim matrisi (örneğin, kullanıcı-ürün) genellikle boşluklar içerir, çünkü tüm kullanıcılar tüm nesnelerle etkileşime geçmez. Bu boşlukları doldurmak için klasik yaklaşımlar şunları içerir:

• Ortalama değer: boşlukları kullanıcının ortalama derecelendirmesi veya nesne başına ortalama ile doldurma.
• İşbirlikçi filtreleme:
  • Kullanıcı tabanlı: benzer kullanıcılara dayalı tahmin.
  • Nesne tabanlı: benzer nesnelere dayalı tahmin.
• Matris çarpanlaştırma:
  • SVD (tekil değer ayrıştırması)
  • ALS (alternatif en küçük kareler)
  • FunkSVD ve diğer matris faktörizasyon yöntemleri, eksik değerleri düşük dereceli bir yaklaşımla yeniden oluşturur.
• Makine öğrenmesine dayalı modeller:
  • Regresyon yöntemleri, sinir ağları, gradyan artırma kullanarak eksik değerleri tahmin etme.

Genellikle, büyük ve seyrek matrisler için matris çarpanlaştırma kullanılır, çünkü gizli faktörleri iyi tanımlar ve doğru tahminler sağlar.