Il filtraggio collaborativo è il processo predittivo dietro i motori di raccomandazione. I motori di raccomandazione analizzano le informazioni sugli utenti con gusti simili per valutare la probabilità che un individuo target apprezzerà qualcosa, come un video, un libro o un prodotto. Il filtraggio collaborativo è anche conosciuto come filtraggio sociale.
Il filtraggio collaborativo utilizza algoritmi per filtrare i dati dalle recensioni degli utenti per fare raccomandazioni personalizzate per gli utenti con preferenze simili. Il filtraggio collaborativo è anche usato per selezionare contenuti e pubblicità per gli individui sui social media.
Tre tipi di filtraggio collaborativo comunemente usati nei sistemi di raccomandazione sono basati sui vicini, item-to-item e classification- based.
Nel filtraggio basato sui vicini, gli utenti sono selezionati per la loro somiglianza con l’utente attivo. Questa somiglianza è determinata dalla corrispondenza degli utenti che hanno postato recensioni simili. Sulla base della somiglianza precedente, si presume che anche i futuri mi piace e non mi piace saranno simili. Dalla valutazione media del gruppo, le raccomandazioni sono fatte per l’utente attivo.
Un processo di filtraggio item-to-item usa una matrice per determinare la somiglianza delle coppie di articoli. I processi item-to-item quindi confrontano la preferenza dell’utente corrente con gli elementi nella matrice per le somiglianze su cui basare le raccomandazioni.
Un sistema di filtraggio collaborativo basato sulla classificazione raccomanda cose basate su quanto gli utenti simili hanno apprezzato quella classificazione o genere. Si presume che gli utenti che godono o non godono di esperienze simili all’interno di una classificazione godranno anche di altre all’interno di quella classificazione.
Alcuni sistemi di filtraggio collaborativo sono basati sulla memoria, come i modelli neighboring- e item-to-item, che confrontano le somiglianze di utenti o elementi. Altri sono basati su modelli, utilizzando l’apprendimento automatico per confrontare elementi dissimili. I sistemi basati su modelli possono usare algoritmi come il processo decisionale di Markov per prevedere le valutazioni degli articoli che non sono ancora stati recensiti. I sistemi ibridi includono caratteristiche di entrambi i filtri basati sulla memoria e sul modello.
I sistemi di raccomandazione sono usati per fornire suggerimenti per tutti i tipi di siti web e servizi. Tuttavia, possono incontrare una serie di difficoltà. La scarsità delle valutazioni è uno dei principali ostacoli all’utilità del filtraggio collaborativo nei sistemi con molti elementi. I nuovi elementi tendono anche ad essere difficili da fornire raccomandazioni. Nei nuovi sistemi di raccomandazione, è difficile fornire buone raccomandazioni prima che un numero sufficiente di utenti abbia inserito delle recensioni. Allo stesso tempo, tuttavia, troppe valutazioni degli utenti possono essere una sfida per alcuni sistemi perché creano enormi set di dati.