Die Matrixfaktorisierung ist eine weit verbreitete Technik für die Generierung von personalisierten Empfehlungen für Nutzer:innen von Online-Diensten (z.B. Netflix und Amazon). Sie basiert auf der Zerlegung einer Nutzer:in-Artikel-Matrix in mindestens zwei kleinere Matrizen. Diese Matrizen enthalten sogenannte latente Faktoren, die verborgene Vorlieben und Eigenschaften repräsentieren. Dadurch können mittels maschinellem Lernen genauere Vorhersagen getroffen werden, wie sehr Nutzer:innen einen ihnen bis dahin unbekannten Artikel mögen werden. Ein häufiges Problem für verlässliche Vorhersagen sind jedoch fehlende Bewertungen der Nutzer:innen, auf Basis derer Empfehlungen berechnet werden können. Algorithmen wie Singular Value Decomposition (SVD) und Alternating Least Squares (ALS) sind besonders beliebte Methoden der Matrixfaktorisierung, da sie gut auf große und spärliche Datensätze angewendet werden können. Da Empfehlungssysteme sowohl essentiell für Unternehmen als auch Nutzer:innen sind, befasst sich diese Bachelorarbeit damit, wie Matrixfaktorisierungen für Empfehlungssysteme verwendet werden können. Anhand des MovieLens 1M Datensatzes wurden SVD und ALS implementiert und ergaben, dass ALS zwar präzisere Vorhersagen generiert, jedoch bei einem höheren Anteil fehlender Werte an Genauigkeit einbüßt, während SVD durch das Erkennen von globalen Trends in solchen Szenarien konkurrenzfähiger bleibt. Weiterer Forschungsbedarf besteht hinsichtlich einer direkten Kombination beider Algorithmen sowie dem Entstehen von Filterblasen und (mangelndem) Datenschutz in Empfehlungssystemen.