Kollaboratives Filtern

Kollaboratives Filtern empfiehlt Artikel, indem es Muster im Verhalten vieler Benutzer auswertet und Artikel vorschlägt, die von gleichgesinnten Benutzern bevorzugt wurden.

Definition

Kollaboratives Filtern prognostiziert die Präferenz eines Benutzers für einen Artikel anhand des Musters von Präferenzen, die von vielen Benutzern über viele Artikel hinweg ausgedrückt wurden, entweder unter Verwendung der Ähnlichkeit zwischen Benutzern oder Artikeln (Nachbarschaftsmethoden) oder gelernter latenter Faktoren, die die Benutzer-Artikel-Matrix rekonstruieren (modellbasierte Methoden).

Scope

Dieses Thema behandelt Empfehlungen aus der Benutzer-Artikel-Interaktionsmatrix ohne Artikelinhalt: Nachbarschafts-(speicherbasierte) Methoden, die Benutzer-Benutzer- und Artikel-Artikel-Ähnlichkeit verwenden, sowie modellbasierte Methoden, insbesondere die Matrixfaktorisierung in latente Benutzer- und Artikelfaktoren. Es befasst sich mit Ähnlichkeitsmaßen, dem Umgang mit Sparsity und Skalierbarkeit, implizitem Feedback und der Kaltstartbeschränkung. Es behandelt das Kernparadigma der Kollaboration und überlässt hybride und kontextbezogene Erweiterungen sowie die Evaluierung angrenzenden Themen.

Core questions

• Wie nutzen Nachbarschaftsmethoden die Benutzer-Benutzer- oder Artikel-Artikel-Ähnlichkeit zur Vorhersage von Präferenzen?
• Wie lernt die Matrixfaktorisierung latente Faktoren für Benutzer und Artikel?
• Wie werden Sparsity und Skalierbarkeit der Benutzer-Artikel-Matrix gehandhabt?
• Wie wird implizites Feedback wie Klicks oder Käufe integriert?
• Warum hat kollaboratives Filtern Schwierigkeiten mit Kaltstart-Situationen?

Key concepts

• Benutzer-Artikel-Interaktionsmatrix
• Benutzer-Benutzer- und Artikel-Artikel-Ähnlichkeit
• Nachbarschafts-(speicherbasierte) Methoden
• Matrixfaktorisierung
• latente Faktoren
• Datensparsity
• implizites Feedback
• Kaltstartproblem

Key theories

Nachbarschaftsbasiertes kollaboratives Filtern

Vorhersagen werden aus den Bewertungen ähnlicher Benutzer oder ähnlicher Artikel gebildet, wobei artikelbasierte Varianten oft stabiler und skalierbarer sind, da sich Artikel-Artikel-Ähnlichkeiten langsam ändern und vorab berechnet werden können.

Matrixfaktorisierungs-Latentfaktormodelle

Die Faktorisierung der dünn besetzten Benutzer-Artikel-Matrix in niedrigdimensionale Benutzer- und Artikelfaktorvektoren, deren Skalarprodukte Präferenzen schätzen, erfasst latente Geschmacksdimensionen und übertrifft im Allgemeinen Nachbarschaftsmethoden, wie der Netflix Prize gezeigt hat.

Clinical relevance

Kollaboratives Filtern ist das Herzstück groß angelegter Empfehlungssysteme im E-Commerce, Streaming und auf sozialen Plattformen, wo reichlich Interaktionsdaten es Systemen ermöglichen, relevante Artikel aus vielfältigen Katalogen zu identifizieren. Matrixfaktorisierung und latente Faktoren bilden die Grundlage vieler moderner Empfehlungssysteme, einschließlich neuronaler Recommender.

History

Kollaboratives Filtern entstand Mitte der 1990er Jahre in Systemen wie GroupLens für Usenet-Nachrichten. Die artikelbasierten Algorithmen von Sarwar und Kollegen aus dem Jahr 2001 verbesserten die Skalierbarkeit, und der Netflix Prize (2006-2009) verhalf Matrixfaktorisierungsmethoden, zusammengefasst von Koren, Bell und Volinsky, zu großer Bekanntheit. Latente Faktormodelle bleiben grundlegend für zeitgenössische Recommender.

Key figures

• Joseph Konstan
• John Riedl
• Yehuda Koren
• George Karypis
• Badrul Sarwar

Seminal works

• sarwar2001
• koren2009
• ekstrand2011

Frequently asked questions

Was ist der Unterschied zwischen benutzerbasiertem und artikelbasiertem kollaborativem Filtern?

Benutzerbasierte Methoden empfehlen Artikel, die von Benutzern gemocht werden, die dem Zielbenutzer ähnlich sind, während artikelbasierte Methoden Artikel empfehlen, die denen ähneln, die der Zielbenutzer bereits gemocht hat, wobei die Artikelähnlichkeit aus Co-Bewertungsmustern berechnet wird. Artikelbasierte Methoden sind oft skalierbarer, da Artikelähnlichkeiten stabiler sind und vorab berechnet werden können.

Warum wurde die Matrixfaktorisierung so populär?

Die Matrixfaktorisierung komprimiert die riesige, dünn besetzte Benutzer-Artikel-Matrix in kompakte latente Faktoren, die zugrunde liegende Geschmäcker erfassen, geht elegant mit Sparsity um und prognostiziert ungesehene Präferenzen genau. Ihre starken Ergebnisse im Netflix Prize Wettbewerb festigten sie als Standardtechnik des kollaborativen Filterns.