Kollaboratives Filtern (Collaborative filtering)

Empfehlungsansatz, der Muster über viele Nutzer und Items nutzt (wer hat was bewertet), statt allein explizite Inhaltsmerkmale.

Kollaboratives Filtern empfiehlt Items, indem es aus kollektivem Verhalten lernt: wenn Nutzer mit ähnlicher Historie dieselben Filme mochten, schlägt das System neue Titel vor, die sie noch nicht gesehen haben. Frühe Netflix-Algorithmen wie Cinematch nutzten Nachbarschaftsmodelle; Preisträger trieben Matrixfaktorisierung und neuronale Modelle wie RBMs voran (Netflix-Prize-Artikel).

Die Methode ist eine Form überwachten Lernens auf sparse User-Item-Bewertungen und treibt viele Empfehlungssysteme in Streaming und E-Commerce.