協同過濾（Collaborative Filtering）｜AI 術語定義

核心概念

協同過濾的核心概念是「物以類聚，人以群分」。它假設具有相似興趣或行為模式的使用者，會對相似的項目產生興趣。協同過濾主要分為兩大類：基於使用者的協同過濾和基於項目的協同過濾。

基於使用者的協同過濾 (User-based Collaborative Filtering): 這種方法尋找與目標使用者興趣相似的其他使用者（稱為鄰居），然後根據這些鄰居喜歡的項目來推薦目標使用者可能感興趣的項目。相似度通常使用餘弦相似度、皮爾遜相關係數等方法來衡量。
基於項目的協同過濾 (Item-based Collaborative Filtering): 這種方法尋找與目標使用者過去喜歡的項目相似的其他項目，然後推薦這些相似的項目。相似度通常基於使用者對這些項目的評分或行為數據來計算。

除了這兩大類之外，還有一些混合協同過濾方法，它們結合了基於使用者和基於項目的方法，以提高推薦的準確性和覆蓋率。

協同過濾的運作原理可以概括為以下幾個步驟：

資料收集: 收集使用者對項目的評分、購買記錄、瀏覽歷史等數據。這些數據通常以使用者-項目矩陣的形式儲存，其中行代表使用者，列代表項目，矩陣中的值代表使用者對項目的評分或互動程度。
相似度計算: 根據收集到的數據，計算使用者之間或項目之間的相似度。常用的相似度計算方法包括餘弦相似度、皮爾遜相關係數、Jaccard 相似度等。
鄰居選擇: 根據相似度，選擇與目標使用者最相似的若干個使用者（基於使用者的方法）或與目標項目最相似的若干個項目（基於項目的方法）。
推薦生成: 根據鄰居的偏好或相似項目的屬性，預測目標使用者可能感興趣的項目，並將這些項目推薦給目標使用者。
評估與優化: 評估推薦結果的準確性和效果，並根據評估結果調整模型參數或算法，以提高推薦的性能。

基於使用者的協同過濾的運作流程：

找到與目標使用者 u 相似的使用者群體 N(u)。
對於 N(u) 中的每個使用者 v，計算 v 和 u 之間的相似度 sim(u, v)。
對於目標使用者 u 未評分過的項目 i，預測 u 對 i 的評分 p(u, i)，通常使用加權平均的方式： p(u, i) = 平均評分 + k * Σ(sim(u, v) * (r(v, i) - 平均評分)) 其中 r(v, i) 是使用者 v 對項目 i 的評分，k 是正規化因子。
將預測評分最高的項目推薦給使用者 u。

基於項目的協同過濾的運作流程：

計算項目之間的相似度。例如，如果兩個項目經常被同一群使用者評分，則認為它們相似。
對於目標使用者 u 喜歡的項目集合 I(u)，找到與 I(u) 中每個項目 i 相似的項目群體 N(i)。
對於 N(i) 中的每個項目 j，計算 i 和 j 之間的相似度 sim(i, j)。
預測使用者 u 對項目 j 的興趣程度，通常使用加權平均的方式： p(u, j) = Σ(sim(i, j) * r(u, i)) / Σ(sim(i, j)) 其中 r(u, i) 是使用者 u 對項目 i 的評分。
將預測興趣程度最高的項目推薦給使用者 u。

協同過濾在許多領域都有廣泛的應用，包括：

例如，Amazon 使用協同過濾來推薦使用者可能感興趣的商品，Netflix 使用協同過濾來推薦使用者可能喜歡的電影和電視劇，YouTube 使用協同過濾來推薦使用者可能感興趣的影片。

冷啟動問題 (Cold Start Problem): 當新使用者或新項目沒有足夠的歷史數據時，協同過濾難以做出準確的推薦。解決方案包括使用基於內容的推薦、混合推薦或利用外部知識。
資料稀疏性問題 (Data Sparsity Problem): 使用者-項目矩陣通常非常稀疏，這會影響相似度計算的準確性。解決方案包括使用降維技術、填充缺失值或使用更複雜的相似度計算方法。
可擴展性問題 (Scalability Problem): 當使用者和項目數量非常大時，協同過濾的計算複雜度會很高。解決方案包括使用分散式計算、近似算法或模型簡化。
過度專業化問題 (Overspecialization Problem): 協同過濾可能會過度關注使用者的歷史偏好，導致推薦結果缺乏多樣性。解決方案包括引入隨機性、探索新項目或使用混合推薦。
同溫層效應 (Filter Bubble): 協同過濾可能會將使用者限制在自己的興趣範圍內，導致使用者接觸到的信息缺乏廣度和深度。解決方案包括引入多樣性、推薦意外的項目或鼓勵使用者探索新領域。