El "Filtrado colaborativo" (también conocidocomo "Recomendación basada en la comunidad" o "Recomendación basada en usuarios”) es una técnica de recomendación de productos que se basa en el comportamiento de compra de clientes similares. En lugar de analizar los componentes o atributos de un producto, el filtrado colaborativo utiliza la información de historial de compra de clientes para encontrar patrones y similitudes en sus preferencias.

El proceso de filtrado colaborativo se divide en dos etapas: la fase de entrenamiento y la fase de predicción. Durante la fase de entrenamiento, se utiliza un conjunto de datos de historial de compra de clientes para construir un modelo de recomendación personalizado. El modelo utiliza técnicas de aprendizaje automático y minería de datos para identificar patrones en el comportamiento de compra de clientes similares y construir una matriz de similitud que refleja la similitud entre los clientes.

Durante la fase de predicción, el modelo se utiliza para hacer recomendaciones personalizadas a los clientes en función de sus historiales de compra anteriores. El modelo analiza la matriz de similitud y las compras anteriores de un cliente para determinar qué productos pueden ser de interés para él.

El filtrado colaborativo es ampliamente utilizado en aplicaciones de comercio electrónico, streaming de video y música, y en sistemas de recomendación en general. El enfoque es efectivo porque se basa en el comportamiento real de los clientes y no requiere información detallada sobre los productos en sí.