Collaborative Filtering in Recommendation Systems

Darbs bija veltīts kolaboratīvai filtrēšanai ieteikumu sistēmās. Tika raksturota kolaboratīvās filtrēšanas metode, apskatīti galvēnie izaicinājumi, piemērām, datu nepietiekamība, mērogojamība u.c.. Sīkāk tika apskatīta uz atmiņu balstītas kolaboratīvās filtrēšanas metodes, uz modeļiem balstītas kolaboratīvās filtrēšanas metodes, hibrīdas kolaboratīvās filtrēšanas metodes un kolaboratīvās filtrēšanas novērtēšanas metrika. Praktiski tika apskatīts datu piemērs ar uz saturu balstītiem ieteikumiem un uz atmiņu balstītam kolaboratīvās filtrēšanas metodēm.The work was devoted to collaborative filtering in recommendation systems. The collaborative filtering method was described, the main challenges were discussed, such as data sparsity, scalability, etc. Memory-based collaborative filtering methods, model-based collaborative filtering methods, hybrid collaborative filtering methods, and collaborative filtering evaluation metrics were discussed in more detail. In practice, an example of data with content-based recommendations and memory-based collaborative filtering methods was considered