🎯 Definicja
Filtrowanie Kolaboracyjne to metoda używana w systemach rekomendacyjnych (np. Netflix, Spotify), która przewiduje, co spodoba się użytkownikowi, na podstawie opinii innych, podobnych użytkowników. Nie analizuje treści produktu (np. “to jest horror”), tylko zachowania ludzi (“Ludzie, którzy lubią to, co ty, lubią też X”).
🔑 Kluczowe punkty
- Assumption (Założenie): Jeśli zgadzaliśmy się w przeszłości, będziemy zgadzać się w przyszłości.
- Macierz: Opiera się na gigantycznej macierzy Użytkownik x Produkt.
- Problem zimnego startu: Nie działa dla nowych użytkowników (bo nie wiemy, do kogo są podobni).
📚 Szczegółowe wyjaśnienie
Dwa główne typy:
- User-based: “Znajdź mi bliźniaka”. Jacek lubi A i B. Agata lubi A i B. Jacek lubi C. → Poleć C Agacie.
- Item-based: “Znajdź mi podobny produkt”. Klienci często kupują Piwo i Chipsy razem. Ktoś kupił Piwo → Poleć Chipsy.
Technicznie realizowane często przez Matrix Factorization (rozkład macierzy), co pozwala odkryć ukryte cechy (Latent Factors).
💡 Przykład zastosowania
Amazon: “Klienci, którzy kupili ten produkt, kupili również…“. To klasyczne Item-based Collaborative Filtering. Nie analizuje, że to “Lampa”, tylko analizuje, że występuje w koszykach z “Żarówką”.
📌 Źródła
- “Matrix Factorization Techniques for Recommender Systems” - Netflix Prize papers.
👽 Brudnopis
- Nowoczesne systemy łączą to z Content-Based Filtering (analizą treści), tworząc systemy hybrydowe, aby ominąć problem zimnego startu.
- Deep Learning (NCF - Neural Collaborative Filtering) zastępuje klasyczne metody macierzowe.