Factorisation matricielle

Approximer une grande matrice de notes utilisateur-objet comme produit de matrices de facteurs latents de plus faible dimension, technique centrale du Netflix Prize.

La factorisation matricielle représente une matrice creuse de notes comme produit de deux matrices plus petites : l’une encode les goûts utilisateur, l’autre les traits des objets, dans un espace latent partagé. Les notes prédites sont des produits scalaires de ces vecteurs, ce qui généralise aux paires utilisateur-objet non vues.

Yehuda Koren, Robert M. Bell et Chris Volinsky ont décrit des variantes de factorisation qui ont dominé le classement du Netflix Prize aux côtés de méthodes d’ensemble. La technique reste une baseline en filtrage collaboratif avant que des modèles profonds ne prennent certains domaines.