Uma empresa planeja usar um algoritmo integrado do SageMaker para construir um recomendador que deve fazer previsões em dados de entrada esparsos e de alta dimensionalidade. Qual algoritmo do SageMaker é apropriado para este problema de recomendação?

Factorization Machines (FM) são ideais para dados esparsos e de alta dimensionalidade, comuns em sistemas de recomendação. Elas modelam interações entre pares de características, o que é crucial para capturar preferências complexas do usuário mesmo com poucos dados observados. K-nearest neighbors (k-NN) é menos eficiente com alta dimensionalidade e esparsidade, pois a distância entre pontos se torna menos significativa. Principal Component Analysis (PCA) é uma técnica de redução de dimensionalidade, não um algoritmo de recomendação. Sequence-to-Sequence (seq2seq) é usado principalmente para tradução e geração de texto, não sendo adequado para recomendação baseada em características esparsas.