Kollaboratives Filtern
Kollaboratives Filtern empfiehlt einem Nutzer Elemente, indem es die Präferenzen vieler Nutzer nutzt – „Leute, denen gefiel, was Ihnen gefiel, mochten auch dies“. Es lernt aus einer dünn besetzten Nutzer-Element-Interaktionsmatrix, entweder durch Finden ähnlicher Nutzer oder Elemente (Nachbarschaftsmethoden, formalisiert von Sarwar et al. im Jahr 2001) oder durch Faktorisierung der Matrix in latente Nutzer- und Elementfaktoren (Matrixfaktorisierung, popularisiert von Koren et al. nach dem Netflix Prize).
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/de/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-VervollständigungMaschinelles Lernen↔ compare
- Nicht-negative Matrixfaktorisierung (NMF)Maschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →