Filtrowanie kolaboracyjne jest procesem predykcyjnym stojącym za silnikami rekomendacji. Silniki rekomendacji analizują informacje o użytkownikach o podobnych gustach, aby ocenić prawdopodobieństwo, że osoba docelowa polubi coś, np. film, książkę lub produkt. Filtrowanie kolaboracyjne jest również znane jako filtrowanie społecznościowe.

Filtrowanie kolaboracyjne wykorzystuje algorytmy do filtrowania danych z recenzji użytkowników w celu tworzenia spersonalizowanych zaleceń dla użytkowników o podobnych preferencjach. Filtrowanie kolaboracyjne jest również wykorzystywane do wybierania treści i reklam dla poszczególnych osób w mediach społecznościowych.

Trzy typy filtrowania kolaboracyjnego powszechnie stosowane w systemach rekomendacji to filtrowanie oparte na sąsiadach, filtrowanie oparte na elementach i filtrowanie oparte na klasyfikacji.

W filtrowaniu opartym na sąsiadach użytkownicy są wybierani ze względu na ich podobieństwo do aktywnego użytkownika. Podobieństwo to jest określane poprzez dopasowanie użytkowników, którzy zamieścili podobne recenzje. Na podstawie poprzedniego podobieństwa zakłada się, że przyszłe polubienia będą również podobne. Na podstawie średniej oceny grupy tworzone są rekomendacje dla aktywnego użytkownika.

Proces filtrowania item-to-item wykorzystuje macierz do określenia podobieństwa par przedmiotów. Procesy Item-to-item porównują następnie preferencje bieżącego użytkownika z pozycjami w macierzy w poszukiwaniu podobieństw, na których można oprzeć rekomendacje.

System filtrowania kolaboracyjnego oparty na klasyfikacji rekomenduje rzeczy na podstawie tego, jak podobni użytkownicy lubią daną klasyfikację lub gatunek. Zakłada się, że użytkownicy, którzy lubią lub nie lubią podobnych doświadczeń w ramach klasyfikacji, będą również lubić inne w ramach tej klasyfikacji.

Niektóre systemy filtrowania opartego na współpracy są oparte na pamięci, jak modele sąsiedztwa i item-to-item, które porównują podobieństwa użytkowników lub przedmiotów. Inne są oparte na modelach, wykorzystują uczenie maszynowe do porównywania niepodobnych elementów. Systemy oparte na modelach mogą wykorzystywać algorytmy takie jak proces decyzyjny Markowa do przewidywania ocen dla pozycji, które nie zostały jeszcze zrecenzowane. Systemy hybrydowe zawierają cechy zarówno filtrowania opartego na pamięci, jak i na modelu.

Systemy rekomendacji są wykorzystywane do dostarczania sugestii dla wszelkiego rodzaju witryn i usług. Mimo to, mogą one napotkać wiele trudności. Niewielka ilość ocen jest jedną z głównych przeszkód dla użyteczności kolaboratywnego filtrowania w systemach z wieloma elementami. Również nowe pozycje są trudne do zarekomendowania. W nowych systemach rekomendacji trudno jest dostarczyć dobre rekomendacje, zanim wystarczająco dużo użytkowników wprowadzi recenzje. Jednocześnie jednak zbyt wiele ocen użytkowników może być wyzwaniem dla niektórych systemów, ponieważ tworzą one ogromne zbiory danych.

.