Kollaboratiivinen suodatus
Kollaboratiivinen suodatus suosittelee kohteita käyttäjälle hyödyntämällä monien käyttäjien mieltymyksiä – ”ne, jotka pitivät tästä, mistä sinäkin pidit, pitivät myös tästä”. Se oppii harvasta käyttäjä-kohde-vuorovaikutusmatriisista joko etsimällä samankaltaisia käyttäjiä tai kohteita (naapurustomenetelmät, jotka Sarwar et al. formalisoivat vuonna 2001) tai faktoroimalla matriisin piileviksi käyttäjä- ja kohdetekijöiksi (matriisifaktorointi, jonka Koren et al. popularisoivat Netflix Prizen jälkeen).
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/fi/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.
- MatriisitäydennysKoneoppiminen↔ compare
- Ei-negatiivinen matriisihajotelma (NMF)Koneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →