{"id":476320,"date":"2023-08-09T07:28:31","date_gmt":"2023-08-09T07:28:31","guid":{"rendered":""},"modified":"2023-09-05T11:12:27","modified_gmt":"2023-09-05T11:12:27","slug":"collaborative-filtering","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/my\/wiki\/collaborative-filtering\/","title":{"rendered":"Penapisan kolaboratif"},"content":{"rendered":"<p>Penapisan Kolaboratif (CF) ialah kaedah algoritmik berkuasa yang kerap digunakan dalam bidang sistem pengesyoran. Premis pentingnya adalah untuk meramalkan minat pengguna tertentu dengan mengumpul pilihan daripada ramai pengguna. Andaian yang menyokong CF ialah jika dua pengguna bersetuju dalam satu isu, mereka berkemungkinan bersetuju dengan yang lain juga.<\/p>\n<h2>Kejadian dan Evolusi Penapisan Kolaboratif<\/h2>\n<p>Sebutan pertama Penapisan Kolaboratif adalah pada tahun 1992 oleh David Goldberg dan lain-lain daripada Xerox PARC, dalam pembangunan Tapestry, sistem e-mel awal. Permaidani direka bentuk untuk menggunakan kecerdasan manusia dan membenarkan orang menambah anotasi, atau &quot;teg,&quot; pada mesej masuk, yang kemudiannya boleh digunakan untuk menapis mesej.<\/p>\n<p>Pada tahun 1994, projek GroupLens oleh Universiti Minnesota memperkenalkan istilah &quot;penapisan kolaboratif&quot; dengan mencadangkan pendekatan CF automatik. Projek ini menggunakan CF untuk berita Usenet\u2014rangkaian kumpulan berita yang boleh disiarkan oleh pengguna dan yang boleh ditapis mengikut pilihan mereka.<\/p>\n<h2>Penapisan Kolaboratif Terbuka<\/h2>\n<p>Penapisan kolaboratif beroperasi terutamanya dengan mencipta matriks item pengguna yang mengandungi keutamaan (seperti penilaian) yang diberikan oleh pengguna kepada item. Sebagai contoh, dalam konteks sistem pengesyoran filem, matriks ini akan mengandungi penilaian yang diberikan oleh pengguna kepada filem yang berbeza.<\/p>\n<p>CF adalah berdasarkan dua paradigma utama: CF berasaskan memori dan CF berasaskan Model.<\/p>\n<ul>\n<li>\n<p>CF berasaskan memori: Juga dikenali sebagai CF berasaskan kejiranan, paradigma ini membuat ramalan berdasarkan persamaan antara pengguna atau item. Ia dibahagikan kepada CF Pengguna-Pengguna (mengenal pasti pengguna yang serupa dengan pengguna yang diramalkan) dan CF Item-Item (mengenal pasti item yang serupa dengan yang telah dinilai oleh pengguna).<\/p>\n<\/li>\n<li>\n<p>CF berasaskan model: Pendekatan ini melibatkan pembangunan model pengguna untuk mempelajari pilihan mereka. Teknik yang terlibat adalah pengelompokan, pemfaktoran matriks, pembelajaran mendalam dll.<\/p>\n<\/li>\n<\/ul>\n<h2>Mekanisme Di Sebalik Penapisan Kolaboratif<\/h2>\n<p>Pada terasnya, proses Penapisan Kolaboratif melibatkan dua langkah: mencari pengguna dengan citarasa yang sama dan mengesyorkan item berdasarkan keutamaan pengguna yang serupa ini. Berikut ialah garis besar umum operasinya:<\/p>\n<ol>\n<li>Kira persamaan antara pengguna atau item.<\/li>\n<li>Ramalkan penilaian item yang belum dinilai oleh pengguna.<\/li>\n<li>Syorkan item N teratas dengan penilaian ramalan tertinggi.<\/li>\n<\/ol>\n<p>Persamaan antara pengguna atau item biasanya dikira menggunakan persamaan kosinus atau korelasi Pearson.<\/p>\n<h2>Ciri Utama Penapisan Kolaboratif<\/h2>\n<ol>\n<li><strong>Pemperibadian:<\/strong> CF menyediakan pengesyoran yang diperibadikan kerana ia mempertimbangkan tingkah laku pengguna individu semasa mengesyorkan.<\/li>\n<li><strong>Kebolehsuaian:<\/strong> Ia boleh menyesuaikan diri dengan perubahan minat pengguna.<\/li>\n<li><strong>Kebolehskalaan:<\/strong> Algoritma CF mampu menangani sejumlah besar data.<\/li>\n<li><strong>Masalah Permulaan Sejuk:<\/strong> Pengguna baharu atau item baharu boleh menimbulkan masalah kerana data tidak mencukupi untuk membuat pengesyoran yang tepat\u2014masalah yang dikenali sebagai masalah permulaan sejuk.<\/li>\n<\/ol>\n<h2>Jenis Penapisan Kolaboratif<\/h2>\n<table>\n<thead>\n<tr>\n<th><strong>taip<\/strong><\/th>\n<th><strong>Penerangan<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>CF berasaskan memori<\/td>\n<td>Menggunakan memori interaksi pengguna terdahulu untuk mengira persamaan pengguna atau persamaan item.<\/td>\n<\/tr>\n<tr>\n<td>CF berasaskan model<\/td>\n<td>Melibatkan satu langkah pembelajaran model, kemudian menggunakan model ini untuk membuat ramalan.<\/td>\n<\/tr>\n<tr>\n<td>CF Hibrid<\/td>\n<td>Menggabungkan kaedah berasaskan Memori dan berasaskan Model untuk mengatasi beberapa batasan.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Menggunakan Penapisan Kolaboratif: Cabaran dan Penyelesaian<\/h2>\n<p>CF mendapati penggunaan meluas dalam pelbagai domain termasuk tetapi tidak terhad kepada filem, muzik, berita, buku, artikel penyelidikan, pertanyaan carian, tag sosial dan produk secara umum. Walau bagaimanapun, terdapat cabaran seperti:<\/p>\n<ol>\n<li><strong>Masalah permulaan sejuk:<\/strong> Penyelesaian terletak pada model hibrid yang menggabungkan penapisan berasaskan kandungan atau menggunakan metadata tambahan tentang pengguna atau item.<\/li>\n<li><strong>Sparsity:<\/strong> Ramai pengguna berinteraksi dengan sebilangan kecil item, menjadikan matriks item pengguna jarang. Teknik pengurangan dimensi, seperti penguraian nilai tunggal, boleh mengurangkan isu ini.<\/li>\n<li><strong>Kebolehskalaan:<\/strong> Apabila data berkembang, memberikan pengesyoran dengan cepat boleh menjadi intensif secara pengiraan. Penyelesaian melibatkan pengkomputeran teragih atau menggunakan algoritma yang lebih berskala.<\/li>\n<\/ol>\n<h2>Perbandingan dengan Teknik Serupa<\/h2>\n<table>\n<thead>\n<tr>\n<th><strong>Kaedah<\/strong><\/th>\n<th><strong>Penerangan<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Penapisan Kolaboratif<\/td>\n<td>Berdasarkan anggapan bahawa orang suka perkara yang serupa dengan apa yang mereka suka pada masa lalu dan perkara yang disukai oleh orang yang mempunyai selera yang sama.<\/td>\n<\/tr>\n<tr>\n<td>Penapisan Berasaskan Kandungan<\/td>\n<td>Mengesyorkan item dengan membandingkan kandungan item dan profil pengguna.<\/td>\n<\/tr>\n<tr>\n<td>Kaedah Hibrid<\/td>\n<td>Kaedah ini menggabungkan Penapisan Kolaboratif dan Penapisan Berasaskan Kandungan, bertujuan untuk mengelakkan pengehadan tertentu.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspektif Masa Depan tentang Penapisan Kolaboratif<\/h2>\n<p>Dengan kemunculan pembelajaran mesin yang lebih canggih dan teknologi kecerdasan buatan, kaedah CF sedang berkembang. Teknik pembelajaran mendalam kini digunakan untuk membangunkan model kompleks untuk CF, memberikan pengesyoran yang lebih tepat. Tambahan pula, penyelidikan dalam menangani cabaran keterlaluan data dan masalah permulaan sejuk sedang dijalankan, menjanjikan kaedah CF yang lebih cekap dan berkesan pada masa hadapan.<\/p>\n<h2>Pelayan Proksi dan Penapisan Kolaboratif<\/h2>\n<p>Pelayan proksi, seperti yang disediakan oleh OneProxy, secara tidak langsung boleh membantu dalam Penapisan Kolaboratif. Mereka menyediakan tanpa nama dan keselamatan, membolehkan pengguna menyemak imbas dengan privasi. Ini menggalakkan pengguna untuk bebas berinteraksi dengan item di internet tanpa rasa takut menjejaskan privasi mereka. Data yang terhasil adalah penting untuk CF, kerana ia sangat bergantung pada interaksi item pengguna untuk membuat pengesyoran.<\/p>\n<h2>Pautan Berkaitan<\/h2>\n<ol>\n<li><a href=\"http:\/\/grouplens.org\/\" target=\"_new\" rel=\"noopener nofollow\">Penyelidikan GroupLens<\/a><\/li>\n<li><a href=\"https:\/\/research.netflix.com\/\" target=\"_new\" rel=\"noopener nofollow\">Penyelidikan Netflix<\/a><\/li>\n<li><a href=\"https:\/\/www.amazon.science\/tag\/recommendation\" target=\"_new\" rel=\"noopener nofollow\">Penyelidikan Amazon<\/a><\/li>\n<li><a href=\"https:\/\/dl.acm.org\/\" target=\"_new\" rel=\"noopener nofollow\">Perpustakaan Digital ACM<\/a> untuk penyelidikan akademik mengenai Penapisan Kolaboratif<\/li>\n<li><a href=\"https:\/\/scholar.google.com\/\" target=\"_new\" rel=\"noopener nofollow\">Google Scholar<\/a> untuk kertas akademik mengenai Penapisan Kolaboratif<\/li>\n<\/ol>","protected":false},"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-476320","wiki","type-wiki","status-publish","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Collaborative Filtering: A Comprehensive Guide<\/mark>","faq_items":[{"question":"What is Collaborative Filtering?","answer":"<p>Collaborative Filtering (CF) is an algorithmic method used within recommendation systems to predict a specific user's interests based on the preferences collected from numerous users.<\/p>"},{"question":"What is the history of Collaborative Filtering?","answer":"<p>The term Collaborative Filtering was first introduced in the GroupLens project by the University of Minnesota in 1994, which was designed for Usenet news. However, the concept was first mentioned in 1992 by David Goldberg and others from Xerox PARC, who developed Tapestry, an early email system that allowed users to filter messages based on tags.<\/p>"},{"question":"How does Collaborative Filtering work?","answer":"<p>Collaborative Filtering works by creating a user-item matrix, which is filled with the preferences (such as ratings) given by users to items. It then calculates the similarity between users or items, predicts the ratings of the items not yet rated by a user, and recommends the top-N items with the highest predicted ratings.<\/p>"},{"question":"What are the key features of Collaborative Filtering?","answer":"<p>The key features of Collaborative Filtering include personalization, adaptability, and scalability. However, it does have challenges such as the cold start problem, which is when there is insufficient data to make accurate recommendations for new users or items.<\/p>"},{"question":"What types of Collaborative Filtering exist?","answer":"<p>There are three main types of Collaborative Filtering: Memory-based CF that uses the memory of previous users' interactions to compute user or item similarity, Model-based CF that learns a model to predict user preferences, and Hybrid CF that combines the Memory-based and Model-based methods to overcome certain limitations.<\/p>"},{"question":"How is Collaborative Filtering used and what are the associated problems?","answer":"<p>Collaborative Filtering is used in various domains such as movies, music, news, books, research articles, search queries, social tags, and general products. The associated challenges include the cold start problem, sparsity, and scalability. However, solutions exist, such as hybrid models, dimensionality reduction techniques, and the use of more scalable algorithms.<\/p>"},{"question":"How does Collaborative Filtering compare to similar techniques?","answer":"<p>Collaborative Filtering is based on the assumption that users will like things similar to what they liked in the past and things liked by people with similar tastes. This contrasts with Content-Based Filtering, which recommends items by comparing the content of the items and a user profile. Hybrid Methods combine Collaborative Filtering and Content-Based Filtering to avoid certain limitations.<\/p>"},{"question":"What are the future perspectives on Collaborative Filtering?","answer":"<p>The future of Collaborative Filtering includes the advent of more sophisticated machine learning and artificial intelligence technologies. Deep learning techniques are being used to develop complex models for CF, providing more accurate recommendations. Ongoing research aims to address challenges of data sparsity and the cold start problem.<\/p>"},{"question":"How are proxy servers associated with Collaborative Filtering?","answer":"<p>Proxy servers can indirectly aid in Collaborative Filtering by providing anonymity and security, which allows users to browse with privacy. This encourages users to freely interact with items on the internet without fearing to compromise their privacy, leading to more user-item interaction data that CF relies on for making recommendations.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/wiki\/476320","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/wiki\/476320\/revisions"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/media?parent=476320"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}