Jak działa filtrowanie kolaboratywne?
Zaczyna od macierzy użytkowników i pozycji, w większości pustej, w której każda komórka zawiera ocenę lub „tak”. Żeby wypełnić pustą komórkę, szuka wzorca w wypełnionych. Główna idea jest taka, że ludzie, którzy w przeszłości się zgadzali, zwykle zgodzą się znowu. Model szereguje następnie pozycje, których użytkownik nie widział, według przewidywanej oceny i pokazuje kilka najlepszych.
Przykład z ocenami w skali do 5:
| Film A | Film B | Film C | |
|---|---|---|---|
| Ania | 5 | 4 | ? |
| Bartek | 5 | 4 | 5 |
| Celina | 1 | 2 | 1 |
Oceny Ani są bardzo bliskie ocenom Bartka i zupełnie różne od ocen Celiny, więc system przewiduje, że Ania oceni film C blisko 5 Bartka, i go poleca.
Jakie są rodzaje filtrowania kolaboratywnego?
| Rodzaj | Porównuje | Dobre do |
|---|---|---|
| User-based | Użytkowników z podobnymi użytkownikami | Małe katalogi, wyjaśnialne wyniki |
| Item-based | Pozycje z pozycjami ocenianymi podobnie przez tych samych użytkowników | Duże bazy użytkowników, stabilne katalogi |
| Faktoryzacja macierzy | Nauczone ukryte czynniki użytkowników i pozycji we wspólnej przestrzeni | Rzadkie dane na dużą skalę |
Faktoryzacja macierzy to koń roboczy na dużą skalę. Wspólną przestrzeń zapewniają embeddingi: użytkownik i pozycja są blisko, gdy użytkownik prawdopodobnie ją polubi. Metody sąsiedzkie wykorzystują tę samą ideę co k najbliższych sąsiadów.
Kiedy filtrowanie kolaboratywne zawodzi?
Powtarzają się trzy słabości. Nowy użytkownik lub pozycja nie ma historii, czyli problem zimnego startu. Rzadkie dane, w których większość użytkowników ocenia niewiele pozycji, czynią podobieństwa niewiarygodnymi. A popularne pozycje dominują, więc długi ogon rzadko się pokazuje. Uczy się też wszystkiego, co robi tłum, łącznie z uprzedzeniami, więc sprawdź, kogo brakuje w Twoich danych. Częstym lekarstwem jest hybryda, która dodaje sygnały treściowe, takie jak kategoria lub podobieństwo tekstu, podobne do tych, na których opiera się wyszukiwanie semantyczne.
Jak filtrowanie kolaboratywne wiąże się ze współczesną AI?
Wciąż jest rdzeniem rekomendacji w handlu i mediach, a ta sama logika napędza „klienci kupili również” w AI w handlu detalicznym. Modele językowe dodają inną drogę: opisują pozycje tekstem i dopasowują intencję. Wiele systemów produkcyjnych używa obu, z sygnałami kolaboratywnymi dla tego, kto zwykle co kupuje, i modelem językowym do uzasadnienia wyboru. Zacznij od punktu odniesienia opartego na pozycjach z historii zamówień, zanim sięgniesz po coś cięższego, i zmierz go względem prostej listy „najpopularniejsze”.