Filtrarea colaborativă este procesul predictiv din spatele motoarelor de recomandare. Motoarele de recomandare analizează informațiile despre utilizatorii cu gusturi similare pentru a evalua probabilitatea ca o persoană țintă să se bucure de ceva, cum ar fi un videoclip, o carte sau un produs. Filtrarea colaborativă este cunoscută și sub denumirea de filtrare socială.
Filtrarea colaborativă utilizează algoritmi pentru a filtra datele din recenziile utilizatorilor pentru a face recomandări personalizate pentru utilizatorii cu preferințe similare. Filtrarea colaborativă este, de asemenea, utilizată pentru a selecta conținutul și publicitatea pentru indivizi pe rețelele de socializare.
Trei tipuri de filtrare colaborativă utilizate în mod obișnuit în sistemele de recomandare sunt cele bazate pe vecini, cele bazate pe elemente și cele bazate pe clasificare.
În filtrarea bazată pe vecini, utilizatorii sunt selectați pentru similitudinea lor cu utilizatorul activ. Această similaritate este determinată prin potrivirea utilizatorilor care au postat recenzii similare. Pe baza similitudinii anterioare, se presupune că viitoarele like-uri și dislike-uri vor fi, de asemenea, similare. Pornind de la ratingul mediu al grupului, se fac recomandări pentru utilizatorul activ.
Un proces de filtrare de la element la element utilizează o matrice pentru a determina asemănarea perechilor de elemente. Procesele item-la-item compară apoi preferințele utilizatorului curent cu elementele din matrice pentru a găsi similitudini pe care să se bazeze recomandările.
Un sistem de filtrare colaborativă bazat pe clasificare recomandă lucruri în funcție de cât de asemănătoare le-a plăcut utilizatorilor acea clasificare sau gen. Se presupune că utilizatorii care se bucură sau nu de experiențe similare în cadrul unei clasificări se vor bucura și de altele în cadrul acelei clasificări.
Câteva sisteme de filtrare colaborativă se bazează pe memorie, cum ar fi modelele de tip vecin și element-la-element, care compară asemănările dintre utilizatori sau elemente. Altele sunt bazate pe modele, folosind învățarea automată pentru a compara elemente diferite. Sistemele bazate pe modele pot utiliza algoritmi, cum ar fi procesul de decizie Markov, pentru a prezice evaluări pentru articole care nu au fost încă revizuite. Sistemele hibride includ caracteristici atât ale filtrării bazate pe memorie, cât și ale celei bazate pe model.
Sistemele de recomandare sunt utilizate pentru a oferi sugestii pentru toate tipurile de site-uri web și servicii. Cu toate acestea, ele pot întâmpina o serie de dificultăți. Sărăcia evaluărilor este unul dintre principalele obstacole în calea utilității filtrării colaborative în sistemele cu multe elemente. De asemenea, elementele noi tind să fie dificil de furnizat recomandări. În cadrul noilor sisteme de recomandare, este dificil să se ofere recomandări bune înainte ca un număr suficient de utilizatori să fi introdus recenzii. În același timp, însă, prea multe evaluări ale utilizatorilor pot fi o provocare pentru unele sisteme, deoarece acestea creează seturi de date uriașe.
.