Filtrage collaboratif
Le filtrage collaboratif recommande des articles à un utilisateur en exploitant les préférences de nombreux utilisateurs — « les personnes qui ont aimé ce que vous avez aimé ont aussi aimé ceci ». Il apprend à partir d'une matrice d'interaction utilisateur-article clairsemée, soit en trouvant des utilisateurs ou des articles similaires (méthodes de voisinage, formalisées par Sarwar et al. en 2001), soit en factorisant la matrice en facteurs latents d'utilisateur et d'article (factorisation matricielle, popularisée par Koren et al. après le Netflix Prize).
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/fr/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.
- Achèvement de matriceApprentissage automatique↔ compare
- Factorisation de Matrices Non-Négatives (NMF)Apprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →