Il filtraggio collaborativo (CF) è un popolare approccio di raccomandazione che è stato ampiamente studiato negli ultimi due decenni, dando vita a una serie di algoritmi diversi e a un'ampia raccolta di strumenti per valutarne le prestazioni. Questa ricerca propone un nuovo approccio di raccomandazione per affrontare i problemi delle pecore grigie e della scarsità di dati, con l'obiettivo di migliorare l'accuratezza della previsione deducendo nuovi utenti dagli utenti esistenti nei set di dati. Questa trasformazione crea utenti con preferenze opposte a quelle degli utenti reali, aumentando il numero di utenti e risolvendo i due problemi citati. Le prestazioni di questo approccio sono state valutate utilizzando due set di dati, MovieLens e FilmTrust. Nel complesso, questo libro contribuisce allo sviluppo di migliori sistemi di raccomandazione in grado di superare le sfide del sovraccarico di dati e di migliorare l'esperienza dell'utente.