Dans le domaine des systèmes de recommandation, les autoencodeurs creux ont récemment suscité un intérêt croissant. L’un des autoencodeurs creux les plus remarqués est EASE, apprécié pour sa précision de recommandation compétitive ainsi que pour sa simplicité intrinsèque. Toutefois, la faible scalabilité de EASE (à la fois en temps et surtout en mémoire) limite sévèrement son utilisation dans des environnements de production disposant de grands ensembles d’articles. Dans cet article, nous proposons une technique de factorisation hypersophistiquée pour une inversion approchée creuse de la matrice de Gram des données utilisée dans EASE. L’autoencodeur résultant, nommé SANSA, constitue une solution entièrement creuse, end-to-end, dont la densité est préconfigurable et dont les besoins en mémoire sont quasi arbitrairement faibles — même pendant l’entraînement. Grâce à cela, SANSA permet de faire évoluer sans difficulté le concept de EASE à des millions d’articles et au-delà.