我不是推荐系统方面的专家，但据我了解，这个问题的前提是错误的。

非否定性对于协同过滤并不那么重要。

BellKor 团队于 2009 年获得了Netflix 奖。这是描述他们算法的论文：The BellKor 2008 Solution to the Netflix Prize。很容易看出，他们使用基于 SVD 的方法：

KDD 2008 论文 [4] 中列出了我们在 2008 年取得进展的基础。[...] 在论文 [4] 中，我们详细描述了三个因子模型。第一个是简单的 SVD [...] 第二个模型 [...] 我们将此模型称为“非对称 SVD”。最后，更准确的因子模型，被命名为“SVD++” [...]

另请参阅同一团队的这篇更流行的文章 推荐系统的矩阵分解技术。他们谈论了很多关于 SVD，但根本没有提到 NNMF。

另请参阅这篇受欢迎的博客文章Netflix 更新：从 2006 年开始在家里尝试这个，也解释了 SVD 的想法。

当然你是对的，还有一些关于使用 NNMF 进行协同过滤的工作。那么什么更有效，SVD 或 NNMF？我不知道，但这是2012 年协作过滤算法比较研究的结论：

基于矩阵分解的方法通常具有最高的准确度。具体来说，正则化 SVD、PMF 及其变体在 MAE 和 RMSE 方面表现最好，除了在非常稀疏的情况下，NMF 表现最好。