Collaborative Filtering
Collaborative filtering recommends items to a user by leveraging the preferences of many users — 'people who liked what you liked also liked this'. It learns from a sparse user-item interaction matrix, either by finding similar users or items (neighbourhood methods, formalized by Sarwar et al. in 2001) or by factorizing the matrix into latent user and item factors (matrix factorization, popularized by Koren et al. after the Netflix Prize).
Zdrojový záznam
Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.
- Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on World Wide Web, 285–295. · DOI 10.1145/371920.372071
- Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37. · DOI 10.1109/MC.2009.263
Spravovaná tvrzení
Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.
Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.
Související metody
Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.