Обзор методов коллаборативной фильтрации

Будучи одним из наиболее успешных подходов к созданию рекомендательных систем, коллаборативная фильтрация (CF) использует известные предпочтения группы пользователей для формирования рекомендаций или прогнозирования неизвестных предпочтений других пользователей. В данной статье мы сначала вводим задачи CF и их основные проблемы, такие как разреженность данных, масштабируемость, синонимия, "серые овцы" (gray sheep), шиллинг-атаки, защита конфиденциальности и возможные решения этих проблем. Затем мы представляем три основных категории методов CF: основанные на памяти (memory-based), основанные на моделях (model-based) и гибридные алгоритмы CF (сочетающие CF с другими методами рекомендаций), с примерами представительных алгоритмов для каждой категории и анализом их прогностической точности и способности решать перечисленные задачи. От базовых методов до передовых решений мы стремимся представить всесторонний обзор методов CF, который может служить дорожной картой для исследований и практики в этой области.