Filtrowanie oparte na wsp\u00f3\u0142pracy (CF) to pot\u0119\u017cna metoda algorytmiczna cz\u0119sto stosowana w systemach rekomendacyjnych. Jego zasadniczym za\u0142o\u017ceniem jest przewidywanie zainteresowa\u0144 konkretnego u\u017cytkownika poprzez zbieranie preferencji od wielu u\u017cytkownik\u00f3w. Za\u0142o\u017ceniem le\u017c\u0105cym u podstaw CF jest to, \u017ce je\u015bli dw\u00f3ch u\u017cytkownik\u00f3w zgodzi si\u0119 w jednej kwestii, prawdopodobnie zgodzi si\u0119 r\u00f3wnie\u017c w innych.<\/p>\n
Pierwsza wzmianka o filtrowaniu zespo\u0142owym pojawi\u0142a si\u0119 w 1992 roku przez Davida Goldberga i innych pracownik\u00f3w Xerox PARC podczas opracowywania wczesnego systemu poczty elektronicznej Tapestry. Tapestry zaprojektowano tak, aby wykorzystywa\u0142 ludzk\u0105 inteligencj\u0119 i umo\u017cliwia\u0142 u\u017cytkownikom dodawanie adnotacji, czyli \u201etag\u00f3w\u201d do przychodz\u0105cych wiadomo\u015bci, kt\u00f3re mo\u017cna by\u0142o p\u00f3\u017aniej wykorzysta\u0107 do filtrowania wiadomo\u015bci.<\/p>\n
W 1994 r. w ramach projektu GroupLens Uniwersytetu Minnesota wprowadzono termin \u201efiltrowanie oparte na wsp\u00f3\u0142pracy\u201d, proponuj\u0105c zautomatyzowane podej\u015bcie CF. W projekcie tym wykorzystano CF for Usenet news \u2014 sie\u0107 grup dyskusyjnych, w kt\u00f3rych u\u017cytkownicy mogli zamieszcza\u0107 posty i kt\u00f3re mogli filtrowa\u0107 wed\u0142ug swoich preferencji.<\/p>\n
Filtrowanie zespo\u0142owe dzia\u0142a g\u0142\u00f3wnie poprzez utworzenie macierzy element\u00f3w u\u017cytkownika, kt\u00f3ra zawiera preferencje (takie jak oceny) nadane przez u\u017cytkownik\u00f3w elementom. Na przyk\u0142ad w kontek\u015bcie systemu rekomendacji film\u00f3w ta matryca b\u0119dzie zawiera\u0107 oceny przyznane przez u\u017cytkownik\u00f3w r\u00f3\u017cnym filmom.<\/p>\n
CF opiera si\u0119 na dw\u00f3ch g\u0142\u00f3wnych paradygmatach: CF oparty na pami\u0119ci i CF oparty na modelu.<\/p>\n
CF oparty na pami\u0119ci: Znany r\u00f3wnie\u017c jako CF oparty na s\u0105siedztwie, ten paradygmat umo\u017cliwia prognozowanie na podstawie podobie\u0144stwa mi\u0119dzy u\u017cytkownikami lub elementami. Jest on podzielony na CF User-User (identyfikuje u\u017cytkownik\u00f3w podobnych do przewidywanego u\u017cytkownika) i CF Item-Item CF (identyfikuje elementy podobne do tych, kt\u00f3re oceni\u0142 u\u017cytkownik).<\/p>\n<\/li>\n
CF w oparciu o model: Podej\u015bcie to polega na opracowaniu modelu u\u017cytkownik\u00f3w w celu poznania ich preferencji. Stosowane techniki to grupowanie, faktoryzacja macierzy, g\u0142\u0119bokie uczenie si\u0119 itp.<\/p>\n<\/li>\n<\/ul>\n
W swojej istocie procesy filtrowania opartego na wsp\u00f3\u0142pracy obejmuj\u0105 dwa etapy: znajdowanie u\u017cytkownik\u00f3w o podobnych gustach i polecanie produkt\u00f3w na podstawie ich preferencji. Oto og\u00f3lny zarys jego dzia\u0142ania:<\/p>\n
Podobie\u0144stwo mi\u0119dzy u\u017cytkownikami lub elementami jest zwykle obliczane przy u\u017cyciu podobie\u0144stwa cosinus lub korelacji Pearsona.<\/p>\n