Diepe maximum margin matrixfactorisatie

Waarom slimere aanbevelingen ertoe doen

Van filmavonden tot online winkelen: we vertrouwen op digitale platforms om te raden wat we daarna mogelijk prettig vinden. Die voorspellingen komen van aanbevelingsalgoritmen die leren van onze eerdere keuzes en beoordelingen. Smaaksvoorkeuren zijn echter rommelig en volgen zelden eenvoudige patronen. Dit artikel introduceert een nieuwe manier om die rommelige voorkeuren te modelleren, Deep Maximum Margin Matrix Factorization (Deep MMMF), die tot doel heeft verspreide, gedeeltelijke beoordelingsgegevens om te zetten in scherpere, betrouwbaardere aanbevelingen.

Hoe de huidige aanbevelers meestal werken

Veel moderne aanbevelingssystemen zijn opgebouwd rond een techniek genaamd matrixfactorisatie. Stel je een gigantische tabel voor waarin rijen gebruikers zijn, kolommen items en elke cel een beoordeling bevat als die aanwezig is. Matrixfactorisatie comprimeert deze enorme, sparsely gevulde tabel in twee kleinere kaarten: de ene beschrijft verborgen voorkeuren van gebruikers, de andere beschrijft verborgen eigenschappen van items. Wanneer het systeem wil voorspellen hoe een gebruiker een onzichtbaar item zou beoordelen, combineert het de verborgen voorkeursvector van de gebruiker met de verborgen eigenschapsvector van het item en zet dat om in een score. Klassieke varianten van dit idee hebben bekende systemen voor films, producten en muziek aangedreven.

Van rechte lijnen naar kromme voorkeuren

Een invloedrijke methode, Maximum Margin Matrix Factorization (MMMF), gaat een stap verder door beoordelingen als geordende categorieën te behandelen: één ster is slechter dan twee, dat is slechter dan drie, enzovoort. MMMF stelt zich itemrepresentaties voor als punten in een ruimte en gebruikers als vlakke snijvlakken (hypervlakken) die deze ruimte in beoordelingszones verdelen. Elke zone komt overeen met een verschillend beoordelingsniveau, en de methode drukt deze scheidende vlakken zo ver mogelijk uit elkaar om verwarring tussen aangrenzende beoordelingen te verminderen. Omdat deze vlakken echter vlak en parallel moeten zijn, kan het model alleen eenvoudige, min of meer lineaire smaakpatronen uitdrukken.

Een dieper beeld van smaken en items

Werkelijke voorkeuren zijn zelden zo eenvoudig. Denk aan drie kijkers: één die houdt van evenwichtige, gematigde actiefilms, een ander die hoge actie maar lage intensiteit wil, en een derde die van elke film met veel actie geniet. Dergelijk gedrag snijdt kromme en onregelmatige grenzen in de filmuniversumruimte, niet nette parallelle sneden. Deep MMMF pakt dit aan door de vertrouwde MMMF-ruggengraat te behouden maar diepe neurale netwerken bovenop de gebruikers-, item- en beoordelingsgerelateerde representaties te plaatsen. Eerst bouwt het model standaard compacte embeddings voor gebruikers, items en beoordelingsdrempels, net als MMMF. Daarna transformeren afzonderlijke neurale modules elk van deze embeddings door lagen van niet-lineaire functies, waardoor de beoordelingsgrenzen in rijkere vormen worden gebogen zonder het aantal verborgen dimensies te verhogen.

Wat de experimenten laten zien

De auteurs testen Deep MMMF op drie populaire datasets: MovieLens 1M, EachMovie en een Amazon Prime Pantry-productdataset. Ze onderzoeken twee situaties. Bij zwakke generalisatie voorspelt het systeem beoordelingen voor gebruikers–item-paren die zijn weggelaten, maar waarbij zowel de gebruikers als de items tijdens training zijn gezien. Bij sterke generalisatie krijgt het systeem volledig nieuwe gebruikers voorgeschoteld waarvan de eerdere beoordelingen niet werden gebruikt om het hoofdmodel te fitten, dus moet het snel hun voorkeuren afleiden vanaf nul. Over beide situaties en alle datasets heen levert Deep MMMF consequent lagere voorspellingsfouten dan een brede verzameling toonaangevende methoden, waaronder klassiek MMMF, probabilistische factorizatiemodellen en verschillende deep-learningaanbevelers. Statistische toetsen bevestigen dat deze verbeteringen niet door toeval verklaard kunnen worden.

Waarom deze benadering veelbelovend is

Door de oorspronkelijke grootte van de verborgen representaties te behouden en tegelijkertijd flexibele, niet-lineaire transformaties toe te voegen, scheidt Deep MMMF duidelijk "meer dimensies" van "meer expressieve functies." Hierdoor wordt het inzichtelijker dat de winst echt voortkomt uit beter modelleren van complexe smaakpatronen en niet alleen uit een groter model. De resultaten suggereren dat aanbevelingssystemen de natuurlijke ordening van beoordelingen en de verwarde aard van menselijke voorkeuren beter kunnen respecteren zonder in te boeten op interpretatie of efficiëntie. Praktisch betekent dit dat toekomstige aanbevelers gebaseerd op ideeën zoals Deep MMMF nauwkeurigere, gepersonaliseerde suggesties kunnen leveren voor films, winkelen en daarbuiten, vooral wanneer gebruikersvoorkeuren geen eenvoudige rechte lijnen volgen.

Bronvermelding: Kumar, S., Kagita, V.R., Kumar, V. et al. Deep maximum margin matrix factorization. Sci Rep 16, 14518 (2026). https://doi.org/10.1038/s41598-026-44839-0

Trefwoorden: aanbevelingssystemen, collaboratief filteren, deep learning, matrixfactorisatie, gebruikersbeoordelingen