En todos los sistemas de recomendación modernos que he visto que se basan en la factorización matricial, se realiza una factorización matricial no negativa en la matriz de película del usuario. Puedo entender por qué la no negatividad es importante para la interpretabilidad y / o si desea factores dispersos. Pero si solo te importa el rendimiento de predicción, como en la competencia de premios de Netflix, por ejemplo, ¿por qué imponer la restricción de no negatividad? Parecería ser estrictamente peor que permitir valores negativos también en su factorización.
Este artículo es un ejemplo muy citado del uso de la factorización matricial no negativa en el filtrado colaborativo.
1
No estoy muy familiarizado con los sistemas de recomendación (¿tal vez podría incluir algunos documentos de ejemplo en su pregunta?). Si el patrón de preferencia NNMF que infiere es verdadero, entonces la respuesta más probable es mejorar la generalización. En otras palabras, puede ser que empíricamente una falta de "interpretabilidad / escasez" se asocie con un ajuste excesivo . Sin embargo, la escasa codificación (es decir, regularización L1 / LASSO) puede cumplir estos requisitos también hasta donde yo sé. (Podría ser que NNMF tiene una mayor capacidad de interpretación).
—
GeoMatt22