Filtrage collaboratif

Le filtrage collaboratif est le processus prédictif qui se cache derrière les moteurs de recommandation. Pour déterminer si une personne va aimer un produit ou une vidéo en particulier, les moteurs de recommandation utilisent des informations provenant d'utilisateurs similaires. Le filtrage collaboratif est également connu sous le nom de filtrage social. Le filtrage collaboratif utilise des algorithmes pour filtrer les données provenant d'avis d'utilisateurs afin de faire des recommandations personnalisées pour les utilisateurs ayant des préférences similaires. Le filtrage collaboratif est également utilisé pour sélectionner le contenu et la publicité destinés aux individus sur les médias sociaux. Il existe trois types de filtrage collaboratif couramment utilisés dans les systèmes de recommandation : le filtrage par voisinage et le filtrage article par article. Dans le filtrage basé sur le voisinage, les utilisateurs sont sélectionnés en fonction de leur similarité avec l'utilisateur actif. Cette similarité est déterminée en faisant correspondre les utilisateurs qui ont publié des avis similaires. On suppose que des avis similaires seront partagés à l'avenir. Sur la base de l'évaluation moyenne, le groupe fait des recommandations aux utilisateurs actifs. Un processus de filtrage article par article utilise une matrice pour déterminer la similitude de paires d'articles. Les processus d'élément à élément comparent ensuite la préférence de l'utilisateur actuel aux éléments de la matrice pour trouver des similitudes sur lesquelles baser les recommandations. Un algorithme qui utilise des classifications pour recommander des éléments s'appelle un système de filtrage collaboratif basé sur la classification. Pour ce faire, il compare les préférences des utilisateurs pour un même genre ou une même classification. On suppose que les utilisateurs qui apprécient ou n'apprécient pas des expériences similaires dans une classification en apprécieront également d'autres dans cette même classification. Certains systèmes de filtrage collaboratif sont basés sur la mémoire, comme les modèles de voisinage et d'élément à élément, qui comparent les similarités des utilisateurs ou des éléments. D'autres sont basés sur des modèles et utilisent l'apprentissage automatique pour comparer des éléments dissemblables. Les systèmes basés sur des modèles peuvent utiliser des algorithmes tels que le processus de décision de Markov pour prédire les évaluations d'éléments qui n'ont pas encore été évalués. Les systèmes hybrides combinent à la fois le filtrage par modèle et le filtrage par mémoire.

Les systèmes de recommandation sont utilisés pour fournir des suggestions pour toutes sortes de sites web et de services. Pourtant, ils peuvent rencontrer un certain nombre de difficultés. La rareté des évaluations est l'un des principaux obstacles à l'utilité du filtrage collaboratif dans les systèmes comportant de nombreux éléments. Les nouveaux éléments sont également difficiles à recommander. Il est difficile de faire de bonnes recommandations pour de nouveaux articles avant que suffisamment d'évaluations aient été soumises. Dans le même temps, cependant, un trop grand nombre d'évaluations d'utilisateurs peut être un défi pour certains systèmes, car il en résulte des ensembles de données énormes.