Какие классические подходы существуют для заполнения пропусков в матрице взаимодействий в рекомендательных системах

Что проверяют

Понимаете ли вы, что матрица взаимодействий почти пустая и пропуск в ней это не ноль, а неизвестность. Следом обычно спрашивают, чем явный фидбек отличается от неявного и как вы будете оценивать качество.

Как отвечать

Идите от простого к сложному:

• бейзлайны: глобальное среднее плюс смещения пользователя и объекта, r = μ + b_u + b_i. Простая модель, которую остальные методы обязаны обыгрывать;
• соседские методы: user-based и item-based kNN, сходство по косинусу или корреляции Пирсона на общих оценках. Item-based часто стабильнее: сходство объектов меняется медленнее, чем вкусы пользователей, и его можно пересчитывать реже;
• матричная факторизация: пользователь и объект получают векторы латентных факторов, оценка это их скалярное произведение. Обучают только на известных ячейках с регуляризацией, через SGD (FunkSVD, SVD++) или ALS;
• неявный фидбек: клики и просмотры не дают отрицательных примеров. Классика здесь implicit ALS с весами уверенности, BPR с попарной функцией потерь, линейные модели SLIM и EASE;
• NMF: факторизация с неотрицательными факторами, они проще интерпретируются.

Из инструментов назовите surprise для явных оценок, implicit для неявных, LightFM для гибрида с признаками. Контентные методы стоит упомянуть отдельно: они не заполняют матрицу, но выручают при холодном старте.

Оценка: для явных оценок RMSE, для ранжирования precision@k, recall@k, NDCG, MAP на отложенной выборке с разбиением по времени.

Где спотыкаются

Говорят, что к матрице применяют классическое SVD из numpy. Оно требует полной матрицы, пропуски придётся заполнить нулями или средним, и модель выучит именно эти подставленные значения.

Предлагают заполнять пропуски средним как рабочее решение. Это бейзлайн, а не метод: он не различает вкусы пользователей.

Путают неявный фидбек с явным: считают просмотр оценкой «5», а отсутствие просмотра оценкой «0». Отсутствие взаимодействия означает скорее «не видел», чем «не понравилось».