協調フィルタリングは、推薦エンジンの背後にある予測プロセスです。 レコメンデーションエンジンは、ビデオ、本、製品など、対象となる個人が何かを楽しむ確率を評価するために、似たような嗜好のユーザーに関する情報を分析します。 協調フィルタリングは、ソーシャルフィルタリングとしても知られています。

協調フィルタリングは、ユーザーレビューからデータをフィルタリングするアルゴリズムを使用して、好みが似ているユーザーに対してパーソナライズされた推奨事項を作成します。

推薦システムで一般的に使用される協調フィルタリングの 3 つのタイプは、近隣ベース、アイテム間、および分類ベースです。 この類似性は類似のレビューを投稿したユーザーをマッチングすることで決定される。 これまでの類似性に基づいて、将来の好き嫌いも類似していると推定される。

アイテム間のフィルタリングプロセスは、マトリックスを使用してアイテムのペアの類似性を決定する。

分類ベースの協調フィルタリングシステムは、ユーザーがその分類やジャンルをどの程度気に入っているかに基づいて、物事を推奨するものである。 ある分類で似たような経験を楽しんだり嫌ったりするユーザーは、その分類で他の経験も楽しめると仮定します。

協調フィルタリングシステムの中には、ユーザーまたは項目の類似性を比較する、隣接モデルや項目間モデルのように記憶ベースであるものがあります。 その他はモデルベースで、機械学習を用いて非類似のアイテムを比較します。 モデルベースのシステムでは、マルコフ決定過程のようなアルゴリズムを使って、まだレビューされていないアイテムの評価を予測することができる。 3232>

レコメンデーション システムは、あらゆる種類の Web サイトやサービスに対する提案を提供するために使用されます。 それでも、それらは多くの困難に遭遇することがある。 評価の疎密は、多くの項目を持つシステムにおいて協調フィルタリングが有用であるための主なハードルの1つである。 また、新しいアイテムは推薦が難しい傾向にある。 新しい推薦システムでは、十分な数のユーザーがレビューを入力する前に、良い推薦を提供することは困難である。 しかし同時に、ユーザー評価が多すぎると、データセットが膨大になるため、システムによっては困難な場合もある

。