सभी आधुनिक सिफारिशकर्ता प्रणालियों में जो मैंने देखा है कि मैट्रिक्स फैक्टराइजेशन पर भरोसा करते हैं, उपयोगकर्ता-मूवी मैट्रिक्स पर एक गैर-नकारात्मक मैट्रिक्स फैक्टराइजेशन किया जाता है। मैं समझ सकता हूं कि व्याख्या के लिए गैर-नकारात्मकता क्यों महत्वपूर्ण है और / या यदि आप विरल कारक चाहते हैं। लेकिन अगर आप केवल भविष्यवाणी प्रदर्शन के बारे में परवाह करते हैं, उदाहरण के लिए नेटफ्लिक्स पुरस्कार प्रतियोगिता में, तो गैर-नकारात्मकता प्रतिबंध क्यों लगाया जाए? यह आपके कारक में नकारात्मक मूल्यों को भी अनुमति देने की तुलना में कड़ाई से बदतर प्रतीत होगा।
यह पेपर सहयोगी फ़िल्टरिंग में गैर-नकारात्मक मैट्रिक्स फैक्टराइजेशन के उपयोग का एक अत्यधिक उद्धृत उदाहरण है।
1
मैं अनुशंसाकर्ता प्रणालियों से बहुत परिचित नहीं हूं (शायद आप अपने प्रश्न में कुछ उदाहरण पत्र शामिल कर सकते हैं?)। यदि आपके द्वारा अनुमानित एनएनएमएफ-वरीयता का पैटर्न सही है, तो सामान्य संभावना में सुधार करने के लिए सबसे अधिक संभावना है। दूसरे शब्दों में, यह हो सकता है कि आनुभविक रूप से "व्याख्यात्मकता / विरलता" की कमी ओवर-फिटिंग से जुड़ी हो । हालाँकि विरल कोडिंग (यानी L1 नियमितिकरण / LASSO) इन आवश्यकताओं को भी पूरा कर सकता है जहाँ तक मुझे पता है। (यह NNMF उच्च व्याख्या हालांकि हो सकता है।)
—
GeoMatt22