優點
不需要網域知識
因為系統會自動學習嵌入，因此不需要網域知識。可行性
此模式可協助使用者探索新的興趣。單獨來說，機器學習系統可能不知道使用者對特定項目感興趣的程度，但模型仍可能推薦，因為相似的使用者對該項項目感興趣。好的起點
在某種程度上，系統只需要意見回饋矩陣，即可訓練矩陣分解模型。請特別注意，系統並不需要內容比對功能。在實務上，它可以用來當做多個候選產生器。
缺點
無法處理最新項目
指定 (使用者、項目) 配對的模型預測是對應嵌入的圓點產品。因此，如果在訓練期間看不到項目，系統就無法為其建立嵌入，也無法使用此項目查詢模型。這個問題通常稱為冷啟動問題。不過，下列技術在一定程度上可以解決冷啟動問題：
WALS 預測。假設新項目並未在訓練中 \(i_0\) 顯示，如果系統有幾項使用者互動，系統就會輕鬆為這個項目計算嵌入 \(v_{i_0}\) ，而無需重新訓練整個模型。系統只需解決下列方程式或加權版本：
\[\min_{v_{i_0} \in \mathbb R^d} \|A_{i_0} - U v_{i_0}\|\]
上述方程式對應 WALS 中的一項疊代作業：使用者嵌入項目會保持固定，而系統則解決了商品嵌入的 \(i_0\)。您也可以對新使用者。
可產生新項目的嵌入經驗法則。如果系統沒有互動，系統會對同一類別的項目、從同一位上傳者 (在 YouTube 中) 的嵌入進行平均排序，以概略嵌入。
很難在查詢/項目中加入側邊功能
側邊功能是指查詢或項目 ID 以外的任何功能。電影推薦功能可能包括國家/地區或年齡包含可用的側邊功能可提升模型的品質。雖然要在 WALS 中加入側邊功能可能並不容易，但 WALS 一般化可實現這一點。
如要概括 WALS，請定義區塊矩陣 \(\bar A\)，利用特徵來增強輸入矩陣，其中：
- 區塊 (0, 0) 是原始意見回饋矩陣 \(A\)。
- 區塊 (0, 1) 是多重功能的編碼。
- 區塊 (1, 0) 是項目功能的多指令編碼。