Kolaborativno filtriranje
Kolaborativno filtriranje preporučuje stavke korisniku koristeći preferencije mnogih korisnika — „ljudi kojima se dopalo ono što se dopalo i vama, dopalo se i ovo“. Ono uči iz retke matrice interakcija korisnik-stavka, bilo pronalaženjem sličnih korisnika ili stavki (metode susedstva, formalizovane od strane Sarwara et al. 2001. godine) ili faktorizacijom matrice u latentne faktore korisnika i stavki (faktorizacija matrice, popularizovana od strane Korena et al. nakon Netflix Prize-a).
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/sr/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.
- Завршетак матрицеMašinsko učenje↔ compare
- Негативна матрична факторизација (NMF)Mašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →