Matrix Factorization
La factorisation de matrices est une technique d’apprentissage non supervisé qui permet de décomposer une grande matrice complexe en deux (ou plusieurs) matrices de dimensions réduites, mais qui conservent l’essentiel de l’information. L’objectif est de révéler des facteurs latents cachés, c’est-à-dire des motifs invisibles à première vue.
Une métaphore simple
Imaginez une bibliothèque géante : vous ne connaissez pas encore les goûts de chaque lecteur, mais en analysant quels livres ils empruntent, vous pouvez deviner qu’il existe des « dimensions cachées » : certains aiment les thrillers avec une héroïne forte, d’autres la science-fiction dystopique. La factorisation de matrices agit comme un projecteur qui éclaire ces préférences implicites.
Exemple concret : Netflix
Netflix utilise la factorisation de matrices pour alimenter son moteur de recommandations. À partir d’une matrice utilisateurs-films (où chaque case représente une note ou un visionnage), l’algorithme décompose l’information en deux espaces :
- un espace qui représente les profils des utilisateurs,
- un autre qui décrit les caractéristiques des films.
La combinaison des deux permet de prédire si un spectateur aimera ou non un film qu’il n’a jamais vu.
Applications
- Systèmes de recommandation (Netflix, Spotify, Amazon).
- Compression de données en vision par ordinateur.
- Découverte de thèmes latents dans le traitement du langage naturel (par ex. LSA – Latent Semantic Analysis).
📚 Références
- Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix Factorization Techniques for Recommender Systems. IEEE Computer.
