We wszystkich nowoczesnych systemach rekomendujących, które widziałem, które opierają się na faktoryzacji macierzy, nieujemna faktoryzacja macierzy jest wykonywana na matrycy filmu użytkownika. Rozumiem, dlaczego brak negatywności jest ważny dla interpretacji i / lub jeśli chcesz rzadkich czynników. Ale jeśli zależy ci tylko na wydajności przewidywania, jak na przykład w konkursie z nagrodą Netflix, po co nakładać ograniczenie nieujemności? Wydaje się, że jest to zdecydowanie gorsze niż dopuszczenie ujemnych wartości również w faktoryzacji.
Ten artykuł jest jednym z najczęściej cytowanych przykładów zastosowania nieujemnego rozkładania macierzy w filtrowanie kooperacyjne.