Kollaborativ filtrering
Kollaborativ filtrering rekommenderar objekt till en användare genom att utnyttja preferenserna hos många användare – 'personer som gillade vad du gillade gillade också detta'. Den lär sig från en gles användar-objekt-interaktionsmatris, antingen genom att hitta liknande användare eller objekt (grannskapsmetoder, formaliserade av Sarwar et al. 2001) eller genom att faktorisera matrisen till latenta användar- och objektfaktorer (matrisfaktorisering, populariserad av Koren et al. efter Netflix Prize).
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Collaborative Filtering (Recommender Systems). ScholarGate. https://scholargate.app/sv/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.
- MatrisfullständighetMaskininlärning↔ compare
- Icke-negativ matris-faktorisering (NMF)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →