No soy especialista en sistemas de recomendación, pero por lo que entiendo, la premisa de esta pregunta es incorrecta.
La no negatividad no es tan importante para el filtrado colaborativo.
El premio de Netflix fue ganado en 2009 por el equipo de BellKor. Aquí está el documento que describe su algoritmo: La solución BellKor 2008 para el Premio Netflix . Como es fácil de ver, utilizan un enfoque basado en SVD:
Los fundamentos de nuestro progreso durante 2008 se exponen en el documento KDD 2008 [4]. [...] En el documento [4] damos una descripción detallada de tres modelos de factores. El primero es un SVD simple [...] El segundo modelo [...] nos referiremos a este modelo como "SVD asimétrico". Finalmente, el modelo de factor más preciso, que se llamará "SVD ++" [...]
Vea también este artículo más popular del mismo equipo Técnicas de factorización matricial para sistemas de recomendación . Hablan mucho sobre SVD pero no mencionan NNMF en absoluto.
Consulte también esta popular publicación de blog Actualización de Netflix: intente esto en casa desde 2006, que también explica las ideas SVD.
Por supuesto que tiene razón y también se está trabajando en el uso de NNMF para el filtrado colaborativo. Entonces, ¿qué funciona mejor, SVD o NNMF? No tengo idea, pero aquí está la conclusión de un estudio comparativo de algoritmos de filtrado colaborativo de 2012:
Los métodos basados en la factorización matricial generalmente tienen la mayor precisión. Específicamente, SVD, PMF regularizados y sus variaciones funcionan mejor en cuanto a MAE y RMSE, excepto en situaciones muy escasas, donde NMF funciona mejor.