Collaborative Filtering
Collaborative filtering recommends items to a user by leveraging the preferences of many users — 'people who liked what you liked also liked this'. It learns from a sparse user-item interaction matrix, either by finding similar users or items (neighbourhood methods, formalized by Sarwar et al. in 2001) or by factorizing the matrix into latent user and item factors (matrix factorization, popularized by Koren et al. after the Netflix Prize).
Kaynak kayıt
Alıntılar, yöntemin kaynak kaydından harfi harfine kopyalanmıştır. Bunlardan herhangi bir düzeyde doğrulama çıkarımı yapılmamıştır.
- 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
Derlenmiş iddialar
Her biri kendi değerlendirmesiyle birlikte kanıt defterine kaydedilmiş iddialar.
Bu görünüm, defterde hiç iddia olmadığında bir iddia değerlendirmesi icat etmez.
İlgili yöntemler
Yöntem grafiğinden oluşturulmuştur ve makine tarafından önerilen ilişkiler olarak gösterilir — herhangi bir kanıt iddiası çıkarımı yapılmamıştır.