| dbo:abstract
|
- Matrix factorization is a class of collaborative filtering algorithms used in recommender systems. Matrix factorization algorithms work by decomposing the user-item interaction matrix into the product of two lower dimensionality rectangular matrices. This family of methods became widely known during the Netflix prize challenge due to its effectiveness as reported by Simon Funk in his 2006 blog post, where he shared his findings with the research community. The prediction results can be improved by assigning different regularization weights to the latent factors based on items' popularity and users' activeness. (en)
- La Factorisation de matrices pour les systèmes de recommandation est une des méthodes utilisées par les services en ligne comme Netflix afin d'accélérer la recherche de recommandations de contenu pour les utilisateurs. Dû à l'explosion sur Internet de la quantité de données numériques concernant des sujets tous plus divers et variés tels que des vidéos, des articles, des images, etc., ainsi qu'à la vaste palette de profils utilisateurs désirant accéder à des informations de la façon la plus précise possible, la nécessité d’élaborer des systèmes de recommandation efficaces est apparue d'elle même. Un exemple parlant est le site de streaming vidéo Netflix, qui compte plus de 60 millions d’utilisateurs dans plus de 60 pays, et possède un catalogue estimé à plus de 100 millions d’heures de visionnage. Les performances de leur système de recommandation est un enjeu majeur pour cette entreprise, d’où la création d’un concours qui, chaque année, permet aux participants de gagner 1 million de dollars afin d’améliorer leur système de recommandation. Pour être le plus efficace possible, le système de recommandation doit avoir le plus large éventail de choix de recommandation possible, et de nombreuses données par utilisateur du service (ce qu’il a aimé, ce qu’il a détesté, ce qu’il a mis de côté pour plus tard, etc.), afin de pouvoir recommander au mieux un utilisateur. L'efficacité de ces systèmes est ainsi fortement corrélée à leur capacité à manipuler des grandes quantités de données et à leur faculté à fournir les meilleurs recommandations pour un utilisateur donné. Afin de réduire la taille de stockage de la matrice, il pourra être intéressant de se concentrer sur une matrice creuse. Malheureusement, une recherche sur une matrice creuse de grande taille sera considérée plus importante en calcul et en temps qu’une recherche sur une matrice creuse de plus petite taille, et pourrait réduire considérablement la qualité de service du système. (fr)
- La Matrix factorization (MF), o fattorizzazione di matrice, è una classe di algoritmi collaborative filtering usata nei sistemi di raccomandazione. Gli algoritmi di matrix factorization operano decomponendo la matrice di interazioni user-item nel prodotto di due matrici rettangolari dalla dimensionalità inferiore. Questa famiglia di metodi divenne nota durante la Netflix Prize challenge, grazie alla sua efficacia dimostrata da Simon Funk in un post sul suo blog datato 2006. (it)
|
| dbo:wikiPageID
| |
| dbo:wikiPageLength
|
- 18167 (xsd:nonNegativeInteger)
|
| dbo:wikiPageRevisionID
| |
| dbo:wikiPageWikiLink
| |
| dbp:wikiPageUsesTemplate
| |
| dcterms:subject
| |
| rdfs:comment
|
- Matrix factorization is a class of collaborative filtering algorithms used in recommender systems. Matrix factorization algorithms work by decomposing the user-item interaction matrix into the product of two lower dimensionality rectangular matrices. This family of methods became widely known during the Netflix prize challenge due to its effectiveness as reported by Simon Funk in his 2006 blog post, where he shared his findings with the research community. The prediction results can be improved by assigning different regularization weights to the latent factors based on items' popularity and users' activeness. (en)
- La Matrix factorization (MF), o fattorizzazione di matrice, è una classe di algoritmi collaborative filtering usata nei sistemi di raccomandazione. Gli algoritmi di matrix factorization operano decomponendo la matrice di interazioni user-item nel prodotto di due matrici rettangolari dalla dimensionalità inferiore. Questa famiglia di metodi divenne nota durante la Netflix Prize challenge, grazie alla sua efficacia dimostrata da Simon Funk in un post sul suo blog datato 2006. (it)
- La Factorisation de matrices pour les systèmes de recommandation est une des méthodes utilisées par les services en ligne comme Netflix afin d'accélérer la recherche de recommandations de contenu pour les utilisateurs. (fr)
|
| rdfs:label
|
- Factorisation de matrices pour les systèmes de recommandation (fr)
- Matrix factorization (it)
- Matrix factorization (recommender systems) (en)
|
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:wikiPageWikiLink
of | |
| is foaf:primaryTopic
of | |
