Uno specialista di Machine Learning deve consigliare prodotti agli utenti sfruttando il comportamento e le preferenze esistenti degli utenti, utilizzando la somiglianza tra gli utenti per prevedere gli articoli che un utente apprezzerà. Quale approccio si adatta meglio a questo obiettivo?

L'approccio migliore è un sistema di raccomandazione di filtraggio collaborativo. Questo metodo si basa sull'idea che le persone che hanno avuto gusti simili in passato avranno gusti simili anche in futuro. Utilizza la somiglianza tra gli utenti (o tra gli articoli) per fare previsioni, che è esattamente ciò che la domanda descrive ("utilizzando la somiglianza tra gli utenti per prevedere gli articoli che un utente apprezzerà"). Un sistema basato sui contenuti raccomanderebbe articoli simili a quelli che un utente ha già apprezzato, basandosi sulle caratteristiche degli articoli stessi, non sulla somiglianza tra utenti. Un sistema basato su modelli è un tipo di filtraggio collaborativo che utilizza tecniche di machine learning per costruire un modello, ma "filtraggio collaborativo" è la categoria più ampia e appropriata per la descrizione data. Un sistema ibrido combina più approcci, ma la descrizione si adatta perfettamente al filtraggio collaborativo puro.