这些算法通常比基于内容的类型更有效。因为是用户自己间接推荐其他用户适应趋势并解释项目的特征只有人类才能做到目前！。他们唯的问题是每个项目需要最少的流量才能使推荐有意义；正是出于这个原因这种类型的算法通常与其他基于内容的类型相辅相成以补偿这些没有交互的 冷启动。 在此类协同过滤算法中其中两种效果最好的算法是 矩阵分解它是个基于项目 用户交互矩阵分解的模型。这种分解产生些隐藏的或潜在的变量可以同时对目录中可用项目的元属性以及用户对所述元属性的偏好进行编码。

单击几下即可记录潜在

旦我们执行了这个因式分解我们只需要交叉两个矩阵就能够提供个性化的推荐。基于矩阵分解的算法的个例子是 这使得向新用户或匿名用户提供推荐成为可能或者包含在 库中的算法由 使用。用户和 希腊电话号码数据 项目之间的交互矩阵左可以分解为个矩阵的组合该矩阵使用系列潜在值对每个项目的属性进行编码中间以及个矩阵对每个用户的亲和力进行编码这些值。潜在的右。 最近邻 推荐用户还没有看过但其他有相似品味的用户看过的项目。

件做出反应使用注

这些类型的算法在有许多可用项目时效果最佳并且非常适合帮助用户发现新项目和探索可用目录。 类型算法的些示例是 由 使用或包含在非度量空间库 中的个。 额外混合和深度学习算法 混合算法这些算 多特蒙德名录 法将基于内容的过滤算法和协同过滤算法简单地结合起来使它们相互补充。这是通过权重来实现的该权重根据他们提供的建议的质量确定每个人应该具有的重要性这通常取决于可用数据。 算法属于此类算法。 深度学习这种类型的算法使用深度神经网络对目录中每个项目的属性进行编码 以类似于矩阵分解算法的方式但不需要完全依赖交互。它们比以前的算法复杂和具体得多值得在上面用自己的文章来描述它们。