با افزایش میزان اطلاعات قابل دسترس در اینترنت نیاز به ابزارهایی است که کاربران را در این حجم اطلاعات راهنمای کنند. سیستم های توصیه گر با جمع آوری داده های مورد نیاز سعی میکنند پیشنهادهای مناسب را تولید کنند و پالایش مشارکتی یکی از روش های مطرح در این زمینه است که با تحلیل امتیازات کاربران سعی میکند امتیاز بعدی را بر اساس کاربران مشابه پیش بینی کند. با این وجود، بیشتر روش های پالایش مشارکتی با چالش های نظیر خلوت بودن داده ها و مقیاس پذیری مواجه هستند. برای مقابله با چالش های موجود در سیستم های توصیه گر، در این مقاله یک روش بر پایه فاکتورگیری ماتریسی غیرمنفی پیشنهاد و آزمایش شده است. در این روش فرض بر این است که با تعداد محدودی از ویژگی های نهفته میتوان ترجیحات کاربران را توصیف کرد و هر کدام از کاربران و اقلام به صورت یک بردار ویژگی قابل نمایش هستند که ابعاد آن برابر با تعداد ویژگی های نهفته است. برای نمونه امتیازی که یک کاربر به یک فیلم میدهد میتواند به تعداد محدودی ویژگی نهفته وابسته باشد مانند علاقه کاربر به ژانر فیلم. روش های فاکتورگیری ماتریسی با مدل کردن ویژگی های نهفته سعی می کنند یک تقریب وزن دار برای ماتریس امتیازات پیدا کنند. این وزنها درنهایت برای پیش بینی امتیازات نامعلوم بکار برده می شوند. نتایج آزمایش ها بر روی مجموعه داده MovieLens نشان میدهد راهکار پیشنهادی به خوبی چالش های خلوت بودن و مقیاس پذیری را حل می کند.
