تُعد أنظمة التوصية عادةً تعمل على مصفوفات المستخدم-العنصر عالية الأبعاد ونادرة التعبئة. يُعد إكمال المصفوفة مهمةً صعبة للغاية، حيث يهدف إلى التنبؤ باهتمامات المستخدم بناءً على ملايين المستخدمين الآخرين الذين شاهدوا كلٌّ منهم مجموعة صغيرة من الآلاف من العناصر. نقترح إطارًا جديدًا لإكمال المصفوفات يعتمد على النواة ويُسمى GLocal-K، والذي يهدف إلى تعميم وتمثيل إدخالات مصفوفة المستخدم-العنصر عالية الأبعاد ونادرة التعبئة في فضاء منخفض الأبعاد باستخدام عدد قليل من الميزات المهمة. يمكن تقسيم نموذجنا GLocal-K إلى مرحلتين رئيسيتين. أولاً، نُدرّب مسبقًا مشغلًا تلقائيًا (auto encoder) باستخدام مصفوفة الأوزان المُKERNELizada محليًا، والتي تقوم بتحويل البيانات من فضاء إلى فضاء الميزات باستخدام نواة RBF ثنائية الأبعاد. ثم، نُعدّل النموذج المُدرّب مسبقًا باستخدام مصفوفة التقييمات، التي تُنتجها نواة عالمية قائمة على الت convolution، والتي تُمكّن من التقاط خصائص كل عنصر. نطبّق نموذجنا GLocal-K في بيئة ذات موارد محدودة جدًا، والتي تتضمن فقط مصفوفة تقييم المستخدم-العنصر، دون أي معلومات جانبية. وقد أظهر نموذجنا تفوقًا على النماذج الرائدة في مجالات التوصية التعاونية الثلاثة: ML-100K وML-1M وDouban.