Por que a não-negatividade é importante para os sistemas de filtragem / recomendação colaborativos?

Em todos os sistemas modernos de recomendação que eu vi que dependem da fatoração de matriz, uma fatoração de matriz não negativa é realizada na matriz de filmes do usuário. Entendo por que a não-negatividade é importante para a interpretabilidade e / ou se você deseja fatores esparsos. Mas se você se importa apenas com o desempenho da previsão, como na competição de prêmios da netflix, por exemplo, por que impor a restrição da não-negatividade? Parece ser estritamente pior do que permitir valores negativos também na sua fatoração.

Este artigo é um exemplo altamente citado do uso de fatoração matricial não negativa na filtragem colaborativa.

Não sou especialista em sistemas de recomendação, mas, pelo que entendi, a premissa dessa pergunta está errada.

A não-negatividade não é tão importante para a filtragem colaborativa.

O prêmio Netflix foi ganho em 2009 pela equipe BellKor. Aqui está o artigo que descreve seu algoritmo: A Solução BellKor 2008 para o Prêmio Netflix . Como é fácil ver, eles usam uma abordagem baseada em SVD:

As bases de nosso progresso durante 2008 são apresentadas no documento KDD 2008 [4]. [...] No artigo [4], fornecemos uma descrição detalhada de três modelos de fatores. O primeiro é um simples SVD [...] O segundo modelo [...] nos referiremos a este modelo como "Asymmetric-SVD". Finalmente, o modelo de fator mais preciso, a ser nomeado "SVD ++" [...]

Veja também este artigo mais popular da mesma equipe Técnicas de fatoração de matriz para sistemas de recomendação . Eles falam muito sobre SVD, mas não mencionam NNMF.

Veja também este post popular do blog Atualização da Netflix: Experimente isso em casa desde 2006, também explicando as idéias de SVD.

Claro que você está certo e há algum trabalho sobre o uso do NNMF para filtragem colaborativa também. Então, o que funciona melhor, SVD ou NNMF? Não faço ideia, mas aqui está a conclusão de Um estudo comparativo de algoritmos de filtragem colaborativa de 2012:

Métodos baseados em fatoração de matriz geralmente têm a maior precisão. Especificamente, SVD, PMF regularizado e suas variações apresentam melhor desempenho no que se refere ao MAE e RMSE, exceto em situações muito esparsas, nas quais o NMF apresenta o melhor desempenho.