Un'azienda intende utilizzare un algoritmo integrato di SageMaker per creare un sistema di raccomandazione che deve effettuare previsioni su dati di input sparsi e ad alta dimensionalità. Quale algoritmo di SageMaker è appropriato per questo problema di raccomandazione?

Factorization Machines (FM) sono ideali per sistemi di raccomandazione con dati sparsi e ad alta dimensionalità perché possono modellare interazioni tra caratteristiche anche quando queste non sono mai state osservate insieme. Questo è cruciale in scenari di raccomandazione dove gli utenti interagiscono solo con una piccola frazione degli elementi disponibili. K-nearest neighbors (k-NN) è meno efficiente e accurato con dati molto sparsi, poiché la similarità tra elementi o utenti diventa difficile da calcolare. Principal Component Analysis (PCA) è una tecnica di riduzione della dimensionalità, non un algoritmo di raccomandazione. Sequence-to-Sequence (seq2seq) è utilizzato principalmente per compiti di traduzione o generazione di sequenze, non per raccomandazioni basate su interazioni sparse.