Filtraggio Collaborativo
Il filtraggio collaborativo raccomanda articoli a un utente sfruttando le preferenze di molti utenti — 'le persone a cui è piaciuto ciò che ti è piaciuto hanno apprezzato anche questo'. Apprende da una matrice sparsa di interazioni utente-articolo, sia trovando utenti o articoli simili (metodi di vicinato, formalizzati da Sarwar et al. nel 2001) sia fattorizzando la matrice in fattori latenti di utente e articolo (fattorizzazione matriciale, resa popolare da Koren et al. dopo il Netflix Prize).
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/it/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.
- Completamento di matriciApprendimento automatico↔ compare
- Fattorizzazione di Matrici Non-Negative (NMF)Apprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →