Filtrowanie kolaboratywne
Filtrowanie kolaboratywne rekomenduje użytkownikowi przedmioty, wykorzystując preferencje wielu użytkowników — „osoby, które polubiły to, co Ty polubiłeś, polubiły również to”. Uczy się ono na podstawie rzadkiej macierzy interakcji użytkownik-przedmiot, albo poprzez znajdowanie podobnych użytkowników lub przedmiotów (metody sąsiedztwa, sformalizowane przez Sarwara i wsp. w 2001 r.), albo poprzez faktoryzację macierzy na ukryte czynniki użytkownika i przedmiotu (faktoryzacja macierzy, spopularyzowana przez Korena i wsp. po konkursie Netflix Prize).
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/pl/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.
- Uzupełnianie macierzyUczenie maszynowe↔ compare
- NMF (Non-negative Matrix Factorization)Uczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →