Een bedrijf is van plan een ingebouwd SageMaker-algoritme te gebruiken om een recommender te bouwen die moet voorspellen op hoogdimensionale, sparse invoergegevens. Welk SageMaker-algoritme is geschikt voor dit aanbevelingsprobleem?

Factorization Machines (FM) zijn zeer geschikt voor aanbevelingssystemen, vooral bij hoogdimensionale en sparse gegevens. Ze kunnen interacties tussen kenmerken modelleren, zelfs als deze interacties zelden samen voorkomen in de trainingsgegevens. Dit is cruciaal voor het vinden van verborgen patronen in gebruikersvoorkeuren. K-nearest neighbors (k-NN) is minder efficiënt en effectief bij zeer hoge dimensionaliteit en sparsiteit. Principal Component Analysis (PCA) is een dimensionale reductietechniek, geen aanbevelingsalgoritme. Sequence-to-Sequence (seq2seq) modellen zijn ontworpen voor sequentiële gegevens, zoals vertalingen of tekstgeneratie, en zijn niet de primaire keuze voor dit type aanbevelingsprobleem.