SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Collaborative Filtering

charles-campbell avatar
charles-campbell
10 diapositives · 254 Views · Oct 25, 2014

Collaborative filtering is a recommendation system that identifies similarities between users to suggest preferences rather than relying on item content. Its growing adoption in online retailing, such as Amazon, and TV programming, like TiVo, highlights its effectiveness in improving recommendation quality. By utilizing methods like mean values, Pearson correlations, and singular value decomposition (SVD), collaborative filtering enhances accuracy and breadth of recommendations. Despite its advantages, challenges such as computational intensity and the necessity for user preference tracking remain.

Collaborative Filtering - slide 1
01 / 10Collaborative Filtering
1 / 17

Télécharger la présentation

Collaborative Filtering
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Collaborative Filtering • Todor Kalaydjiev • Paul Rosania

  2. What is it? • Recommendation system • Discovers similarities between users • Recommends based on preferences, not content • Growing adoption • Online retailing (e.g. Amazon) • TV programming (e.g. TiVo)

  3. Why use it? • Improves recommendation quality • Overcomes limitations of existing systems • Breadth of recommendations • Limitations on item content • Dependence on dense preference data

  4. Filtering Methods • Mean Values • Pearson Correlations • Singular Value Decomposition

  5. Mean Values • Simple Approach • Weighted average of others’ preferences for an item • Normalize prediction

  6. Pearson Correlations • Find similar users • Weight by level of similarity • Predict based on their prefs

  7. Singular Value Decomposition • Linear Algebra approach • Breaks down items by features • Predicts based on responses to these features

  8. Summary • Advantages over content-based approach • Increased accuracy • Broader applications • Disadvantages • Computationally intensive • Requires intensive user preference tracking • Cannot work without some established rating correlations

  9. Preliminary Results • Mean Values: • Pearson: 0.1705 • SVD: • Vector-Space: • Mean Squared Difference: • Cosine: • Mean User:

  10. Final Results