Les systèmes de recommandation fonctionnent généralement sur des matrices utilisateur-élément de grande dimension et creuses. La complétion de matrice constitue une tâche particulièrement difficile, visant à prédire les intérêts d’un utilisateur à partir de millions d’autres utilisateurs ayant chacun consulté une petite partie parmi des milliers d’éléments. Nous proposons un cadre de complétion de matrice basé sur un noyau global-local, nommé GLocal-K, dont l’objectif est de généraliser et représenter chaque entrée d’une matrice utilisateur-élément de grande dimension et creuse dans un espace de faible dimension, en ne conservant qu’un petit nombre de caractéristiques pertinentes. Notre modèle GLocal-K se décompose en deux étapes majeures. Premièrement, nous pré-entraînons un auto-encodeur à l’aide d’une matrice pondérée par noyau local, qui transforme les données d’un espace vers un espace de caractéristiques grâce à un noyau RBF 2D. Ensuite, l’auto-encodeur pré-entraîné est affiné à l’aide de la matrice de notations, générée par un noyau global basé sur une convolution, qui capte les caractéristiques propres à chaque élément. Nous appliquons notre modèle GLocal-K dans un cadre à ressources extrêmement limitées, ne comprenant qu’une matrice de notations utilisateur-élément, sans aucune information complémentaire. Notre modèle surpasse les meilleures méthodes de l’état de l’art sur trois benchmarks de filtrage collaboratif : ML-100K, ML-1M et Douban.