在我所看到的所有现代推荐器系统中,都依赖于矩阵分解,在用户电影矩阵上执行非负矩阵分解。我能理解为什么非负性对于可解释性和/或想要稀疏因子很重要。但是,如果您只关心预测性能,例如在netflix奖金竞赛中,为什么要施加非负性限制?与在因数分解中也允许负值相比,这似乎更加糟糕。
本文是在协同过滤中使用非负矩阵分解的一个被高度引用的示例。
1
我对推荐系统不太熟悉(也许您可以在问题中包含一些示例论文?)。如果您推断的NNMF偏好模式是正确的,那么最可能的答案就是提高通用性。换句话说,从经验上讲,可能缺乏“可解释性/稀疏性”与过度拟合有关。但是据我所知,稀疏编码(即L1正则化/ LASSO)也可以满足这些要求。(尽管它可能是NNMF具有更高的解释性。)
—
GeoMatt22'9