Wprowadzenie
Collaborative Filtering (Filtracja Współpracująca) to jedna z najskuteczniejszych i najczęściej stosowanych technik w systemach rekomendacyjnych. Polega na przewidywaniu preferencji użytkownika na podstawie zachowań innych podobnych użytkowników lub podobieństwa przedmiotów.
Jak działa Collaborative Filtering?
Algorytm zakłada, że jeśli dwóch użytkowników miało podobne oceny w przeszłości, to prawdopodobnie będą mieli podobne preferencje w przyszłości.
Główne typy Collaborative Filtering
- User-based Collaborative Filtering – znajduje użytkowników o podobnych gustach i poleca im to, co lubili podobni użytkownicy
- Item-based Collaborative Filtering – analizuje podobieństwo przedmiotów (np. filmów, produktów) i poleca przedmioty podobne do tych, które użytkownik już polubił
- Model-based – wykorzystuje techniki takie jak Matrix Factorization (SVD, NMF), ALS
Zalety
- Nie wymaga wiedzy o treści przedmiotów (content)
- Automatycznie odkrywa ukryte powiązania
- Bardzo skuteczny przy dużej liczbie użytkowników i ocen
- Skalowalny (szczególnie item-based)
Wady i problemy
- Cold Start Problem – nowe przedmioty i nowi użytkownicy
- Sparsity (rzadkie oceny)
- Popular bias (nadreprezentacja popularnych produktów)
- Skalowalność przy bardzo dużej liczbie użytkowników
Historia i znaczenie
Algorytm zyskał ogromną popularność dzięki konkursowi Netflix Prize (2006–2009), w którym zwycięskie rozwiązania opierały się właśnie na zaawansowanym Collaborative Filtering i Matrix Factorization.
Aktualny stan (2026)
Mimo pojawienia się modeli deep learning (np. Neural Collaborative Filtering, BERT4Rec, Transformers), klasyczne Collaborative Filtering nadal jest szeroko stosowane ze względu na prostotę, interpretowalność i dobrą wydajność. Najlepsze systemy produkcyjne łączą Collaborative Filtering z Content-based i Contextual approaches (hybrydowe systemy rekomendacyjne).
Powiązane pojęcia
Recommendation Systems • Matrix Factorization • User-based vs Item-based • Cold Start Problem • Content-based Filtering • Hybrid Recommendation • Netflix Prize • Alternating Least Squares (ALS)
Dodano: 17 maja 2026