Kollaborativ filtrering
Kollaborativ filtrering anbefaler elementer til en bruker ved å utnytte preferansene til mange brukere – 'folk som likte det du likte, likte også dette'. Den lærer fra en sparsom bruker-element-interaksjonsmatrise, enten ved å finne lignende brukere eller elementer (nabolagsmetoder, formalisert av Sarwar et al. i 2001) eller ved å faktorisere matrisen til latente bruker- og elementfaktorer (matrisefaktorisering, popularisert av Koren et al. etter Netflix Prize).
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/no/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.
- MatrisekompletteringMaskinlæring↔ compare
- Non-negativ matrisefaktorisering (NMF)Maskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →