Penyaringan Kolaboratif
Penyaringan kolaboratif merekomendasikan item kepada pengguna dengan memanfaatkan preferensi banyak pengguna — 'orang yang menyukai apa yang Anda sukai juga menyukai ini'. Ia belajar dari matriks interaksi pengguna-item yang jarang, baik dengan menemukan pengguna atau item yang serupa (metode lingkungan, diformalkan oleh Sarwar dkk. pada tahun 2001) atau dengan memfaktorkan matriks menjadi faktor laten pengguna dan item (faktorisasi matriks, dipopulerkan oleh Koren dkk. setelah Netflix Prize).
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/id/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.
- Penyelesaian MatriksPembelajaran Mesin↔ compare
- Faktorisasi Matriks Non-Negatif (NMF)Pembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →