top of page
協同過濾
協同過濾是利用某些興趣相投並 擁有共同經驗之群體的喜好，以推薦給其他使用者其可能會感興趣的項目。透過記錄使用者評分可以達到過濾的目的並 幫助別人篩選資料，回應的評分不一定只限於特別感興趣的 資料，特別不感興趣資料的紀錄也是相當重要。
從下圖來看，我們可以根據兩 人所同時購買的商品 推測出兩人興趣相同 因此我們會將B女所購買的酒推薦給A女。
-
協同過濾模式:
Breese 等人(1998)將協同過濾系統歸納為兩大類型: 分別是以記憶為基礎以及以模型為基礎。
-
以記憶為基礎:
以記憶為基礎的協同過濾推薦主要是將使用者與推薦項目矩陣進行相似度的計算，以產生最相似的前N個鄰居，並以這些鄰居進行預測喜好評分與推薦的前N個項目。
-
以模型為基礎:
以模型為基礎的協同過濾推薦同樣也是透過使用者與推薦項目的矩陣資料來建構模型，並以此模型進行預測推薦。此類演算法通常採用機率模型，在既有的資訊中獲得目標使用者對商品項目的分布情況。長用的模型友叢集模型和貝氏網路模型。
-
協同過濾限制：
(一)新使用者問題(New User Problem) :
如下圖，對於新加入的使用者-User4，系統必須要從頭記錄該使用者的偏好記錄，以給予適當的推薦，因此在充分記錄使用者的偏好之前所進行的推薦成效會較差。
(二)新項目問題(New item Problem):
由於協同過濾是依據使用者評分過的項目進行推薦，新項目追加到系統中必須要有足夠的評分資料才能被推薦。
Title. Double click me.
(三)稀疏性(Sparsity):
在一般的推薦系統中，被使用者評分的項目通常會遠比需要被預測的項目少，因此要在少量的樣本中產生有效的預測會是關鍵的問題。
bottom of page