Matrixfaktorisierung (Matrix factorization)

Näherung einer großen User-Item-Bewertungsmatrix als Produkt niedriger latenter Faktormatrizen, Kerntechnik des Netflix Prize.

Matrixfaktorisierung stellt eine sparse Bewertungsmatrix als Produkt zweier kleinerer Matrizen dar: eine kodiert Nutzerpräferenzen, die andere Item-Eigenschaften, in einem gemeinsamen latenten Raum. Vorhergesagte Bewertungen sind Skalarprodukte dieser Vektoren und generalisieren auf ungesehene User-Item-Paare.

Yehuda Koren, Robert M. Bell und Chris Volinsky beschrieben Faktorisierungsvarianten, die die Netflix-Prize-Bestenliste neben Ensemble-Methoden dominierten. Die Technik bleibt eine Baseline im kollaborativen Filtern, bevor tiefe Modelle einige Domänen übernahmen.