ฉันไม่ใช่ผู้เชี่ยวชาญในระบบแนะนำ แต่เท่าที่ฉันเข้าใจหลักฐานของคำถามนี้ผิด
การไม่ปฏิเสธไม่สำคัญสำหรับการกรองแบบร่วมมือกัน
รางวัล Netflixได้รับรางวัลในปี 2009 โดยทีมงาน BellKor นี่คือกระดาษอธิบายขั้นตอนวิธีการของพวกเขาBellKor 2008 วิธีการแก้ Netflix รางวัล เป็นเรื่องง่ายที่จะเห็นพวกเขาใช้วิธีการที่ใช้ SVD:
รากฐานของความคืบหน้าของเราในช่วงปี 2008 นั้นได้ถูกจัดวางในเอกสาร KDD 2008 [4] [... ] ในกระดาษ [4] เราให้คำอธิบายโดยละเอียดของโมเดลสามปัจจัย อันแรกคือ SVD แบบง่าย [... ] แบบที่สอง [... ] เราจะอ้างถึงโมเดลนี้ว่า“ Asymmetric-SVD” ในที่สุดรูปแบบตัวคูณที่แม่นยำยิ่งขึ้นจะได้ชื่อว่า "SVD ++" [... ]
ดูเพิ่มเติมนี้เป็นที่นิยมมากขึ้นเขียนขึ้นโดยทีมงานเดียวกันเทคนิคเมทริกซ์ตีนเป็ดสำหรับระบบ recommender พวกเขาพูดถึง SVD มาก แต่ไม่พูดถึง NNMF เลย
ดูโพสต์บล็อกยอดนิยมนี้ได้รับการอัปเดต Netflix: ลองใช้ที่บ้านจากปี 2549 รวมทั้งอธิบายแนวคิด SVD
แน่นอนว่าคุณพูดถูกและมีงานบางอย่างในการใช้ NNMF สำหรับการกรองร่วมกันเช่นกัน ดังนั้นสิ่งที่ดีกว่า SVD หรือ NNMF ฉันไม่มีความคิด แต่นี่คือบทสรุปของการศึกษาเปรียบเทียบอัลกอริทึมการกรองความร่วมมือจากปี 2012:
วิธีการที่ใช้เมทริกซ์ - การแยกตัวประกอบโดยทั่วไปมีความแม่นยำสูงสุด โดยเฉพาะ SVD, PMF และการแปรผันตามปกติจะทำงานได้ดีที่สุดเท่าที่แม่และ RMSE ยกเว้นในสถานการณ์ที่เบาบางมากซึ่ง NMF ทำงานได้ดีที่สุด