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).
Запис джерела
Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.
- 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
Відібрані твердження
Твердження збережено в журналі доказів, кожне зі своєю оцінкою.
Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.
Пов'язані методи
Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.