Kollaborativ filtrering
Kollaborativ filtrering anbefaler elementer til en bruger ved at udnytte præferencerne fra mange brugere – 'folk, der kunne lide det, du kunne lide, kunne også lide dette'. Den lærer fra en sparsom bruger-element-interaktionsmatrix, enten ved at finde lignende brugere eller elementer (nabolagsmetoder, formaliseret af Sarwar et al. i 2001) eller ved at faktorisere matricen i latente bruger- og elementfaktorer (matrixfaktorisering, populariseret af Koren et al. efter Netflix Prize).
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/da/machine-learning/collaborative-filtering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Matrix CompletionMaskinlæring↔ compare
- Non-negativ Matrixfaktorisering (NMF)Maskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →