Um sistema de filtragem colaborativa filtra sugestões com base na semelhança de um determinado usuário para os outros. Os sistemas de recomendação colaborativos dependem de dados explícitos e implícitos e assumem que usuários com preferências comparáveis provavelmente estarão interessados nos mesmos itens e poderão interagir com eles de maneiras semelhantes no futuro.

A Amazon (link externo a ibm.com), por exemplo, usa a filtragem colaborativa para suas recomendações de produtos, assim como o Spotify (link externo a ibm.com) faz para seu conteúdo de áudio.

As recomendações de filtragem colaborativa podem oferecer sugestões eficazes e geralmente não precisam de descrições detalhadas de itens. No entanto, a filtragem colaborativa também é propensa ao problema de inicialização a frio, que ocorre quando o sistema tem dados históricos limitados para extrair, especialmente para novos usuários.

Existem dois tipos principais de sistemas de filtragem colaborativa: baseados na memória e baseados no modelo.

Baseados na memória

Os sistemas baseados na memória representam usuários e itens como uma matriz. Eles são uma extensão do algoritmo dos k vizinhos mais próximos (KNN) porque visam encontrar seus "vizinhos mais próximos", que podem ser usuários semelhantes ou itens semelhantes. Os sistemas baseados na memória são subdivididos em dois tipos:

• A filtragem baseada no usuário calcula as semelhanças entre um usuário específico e todos os outros usuários na matriz. As funções de similaridade baseadas no usuário são calculadas entre as linhas na matriz de itens do usuário.

• A filtragem baseada nos itens calcula a semelhança dos itens por meio do comportamento do usuário (como os usuários interagem com os itens, não com as características dos itens). As funções de similaridade baseadas nos itens são calculadas entre colunas na matriz de itens de usuário.

Baseados no modelo

Como alternativa, os sistemas baseados no modelo criam um modelo preditivo de aprendizado de máquina dos dados. A matriz usuário-item serve como conjunto de dados de treinamento para o modelo, que então produz previsões para valores ausentes, ou seja, itens que um usuário ainda não encontrou e, portanto, serão recomendados.

Um dos algoritmos de filtragem colaborativa baseados no modelo mais comumente usados é a fatoração de matrizes. Esse método de redução de dimensionalidade decompõe a matriz de itens do usuário geralmente grande em duas matrizes menores (uma para usuários e outra para itens) com algumas dimensões selecionadas. Então, as duas matrizes são multiplicadas para prever os valores ausentes (ou as recomendações) na matriz maior.

Uma implementação mais avançada da fatoração de matrizes aproveita redes neurais de deep learning. Outros sistemas baseados no modelo empregam algoritmos de aprendizado de máquina , como classificadores de Bayes, agrupamentos e decision trees.

Um sistema de filtragem baseada no conteúdo filtra recomendações com base nos recursos de um item. Os sistemas de recomendação baseados no conteúdo pressupõem que, se um usuário gosta de um item específico, ele também gostará de outro item semelhante. A filtragem baseada no conteúdo considera as descrições de itens como cor, categoria, preço e outros metadados atribuídos por palavras-chave e tags, juntamente com dados explícitos e implícitos.

Os sistemas de filtragem baseados no conteúdo representam itens e usuários como vetores em um espaço vetorial. A proximidade é usada para determinar a similaridade entre os itens. Quanto mais próximos dois vetores estiverem no espaço, mais semelhantes eles serão considerados. Os vetores semelhantes aos itens anteriores, de acordo com os recursos fornecidos, serão recomendados ao usuário.

Os recomendadores baseados no conteúdo aplicam um classificador ou modelo de regressão baseado no usuário. Descrições e recursos dos itens em que um usuário está interessado atuam como conjunto de dados de treinamento do modelo, que, em seguida, produz previsões para itens recomendados.

Os sistemas de recomendação baseados no conteúdo podem ser aprimorados ainda mais usando tags de processamento de linguagem natural. No entanto, esse processo de marcação pode ser tedioso para grandes volumes de dados.

Ao contrário da filtragem colaborativa, o problema de inicialização a frio é menor, pois a filtragem baseada no conteúdo baseia-se em características de metadados, não em interações anteriores do usuário. No entanto, a filtragem baseada no conteúdo pode ser limitada na exploração de novos itens, pois muitas vezes sugere itens semelhantes àqueles de que os usuários gostaram anteriormente.

Como seu nome implica, um sistema de recomendação híbrido mescla filtragem colaborativa e filtragem baseada no conteúdo.

Como resultado, uma abordagem híbrida pode melhorar muito o desempenho de um mecanismo de recomendação, mas exige arquiteturas avançadas e potência computacional intensa.

A Netflix, por exemplo, utiliza um sistema de recomendação híbrido (link externo a ibm.com) para suas recomendações de filmes e programas de TV.