La factorización de matrices descompone una matriz grande y dispersa —por ejemplo, las calificaciones que miles de usuarios dieron a miles de productos, con la mayoría de las combinaciones sin calificar— en dos matrices más pequeñas que representan a usuarios y productos en un espacio de características latentes compartido.
Por qué es tan útil para recomendaciones
Al representar tanto a usuarios como a productos en ese mismo espacio de características latentes, es posible estimar qué calificación le daría un usuario a un producto que nunca calificó, simplemente combinando sus representaciones respectivas, siendo la base matemática de muchos sistemas de recomendación de filtrado colaborativo.