Collaborative Filtering

Collaborative Filtering ist das Standardverfahren hinter den Empfehlungssystemen von Netflix, Amazon, Spotify und YouTube: Es empfiehlt einem Nutzer Inhalte, die ähnliche Nutzer gut fanden — ohne irgendetwas über den Inhalt selbst wissen zu müssen.

Das Prinzip: „Nutzer A mag Filme X, Y, Z. Nutzer B mag Filme X, Y. Also wird B wahrscheinlich auch Film Z mögen." Die Ähnlichkeit zwischen Nutzern (User-based) oder zwischen Items (Item-based) wird über die Bewertungsmatrix berechnet.

Die technische Umsetzung hat sich über die Jahre weiterentwickelt. Memory-based Approaches berechnen Ähnlichkeiten direkt (Cosine Similarity, Pearson Correlation). Model-based Approaches nutzen Matrixfaktorisierung — die Bewertungsmatrix wird in zwei niedrigdimensionale Matrizen zerlegt (User-Faktoren × Item-Faktoren). Simon Funk popularisierte 2006 diese Technik beim Netflix Prize, dem Wettbewerb, der Collaborative Filtering weltberühmt machte: Eine Million Dollar für die Verbesserung der Netflix-Empfehlungen um 10%.

Deep-Learning-basierte Varianten (Neural Collaborative Filtering, He et al., 2017) ersetzen die lineare Matrixfaktorisierung durch neuronale Netze und können komplexere Zusammenhänge erfassen.

Die Schwächen: Das Cold-Start-Problem (neue Nutzer oder Items ohne Bewertungen), die Popularitäts-Bias (populäre Items werden überproportional empfohlen) und die Filter-Bubble (das System verstärkt bestehende Vorlieben, statt zu diversifizieren). Hybride Systeme, die Collaborative Filtering mit Content-Based Filtering kombinieren, adressieren einige dieser Schwächen.