|
Tavsiya qiluvchi tizimlar
|
| bet | 3/10 | | Sana | 16.05.2024 | | Hajmi | 345,87 Kb. | | #237900 |
Bog'liq Mustaqil ish 418.5 Tavsiya qiluvchi tizimlar
Internetga asoslangan tranzaktsiyalar ommalashganidan beri, foydalanuvchilarning sotib olish xatti-harakatlari haqida ma'lumotlarni to'plash tobora osonlashdi. Bu maʼlumotlar foydalanish profillari, qiziqishlar, koʻrib chiqish xatti-harakatlari, xarid qilish harakati va turli obʼyektlar haqidagi reytinglar haqidagi maʼlumotlarni oʻz ichiga oladi.
Bunday ma'lumotlardan mijozlarga mumkin bo'lgan xarid qiziqishlari haqida tavsiyalar berish uchun foydalanish tabiiydir.
Tavsiya muammosida foydalanuvchi-element juftlari ular bilan bog'langan foydali qiymatlarga ega. Shunday qilib, n ta foydalanuvchi va d element uchun bu foydali qiymatlarning n × d matritsasi Dga olib keladi.
Bu foydali matritsa deb ham ataladi. Foydalanuvchi-elementlar juftligi uchun foydalilik qiymati xarid qilish xatti-harakati yoki buyum uchun foydalanuvchi baholariga mos kelishi mumkin. Odatda, foydali qiymatlarning kichik bir qismi mijozning sotib olish xatti-harakati shaklida belgilanadi yoki reytinglar. Tavsiyalar berish uchun ushbu ko'rsatilgan qiymatlardan foydalanish maqsadga muvofiqdir. Foydali matritsaning tabiati tavsiyalar algoritmini tanlashga sezilarli ta'sir ko'rsatadi:
Faqat ijobiy afzalliklar: Bunday holda, ko'rsatilgan yordamchi matritsa faqat ijobiy afzalliklarni o'z ichiga oladi. Misol uchun, ijtimoiy tarmoq saytida "yoqdi" opsiyasining spetsifikatsiyasi, onlayn saytdagi ob'ektni ko'rib chiqish yoki ma'lum miqdordagi buyumni sotib olish ijobiy afzalliklarga mos keladi. Shunday qilib, foydali matritsa siyrak bo'lib, oldindan belgilangan ijobiy imtiyozlar to'plamiga ega. Masalan, foydali matritsa har bir foydalanuvchi tomonidan sotib olingan mahsulotning xom miqdorini, miqdorlarning normallashtirilgan matematik funktsiyasini yoki sotib olish va ko'rib chiqish xatti-harakatlarining vaznli funktsiyasini o'z ichiga olishi mumkin. Bu funksiyalar odatda evristik tarzda tahlilchi tomonidan ilovaga xos tarzda belgilanadi. Foydalanuvchi tomonidan sotib olinmagan yoki ko'rib chiqilmagan narsalarga mos keladigan yozuvlar aniqlanmagan holda qolishi mumkin.
Ijobiy va salbiy afzalliklar (reytinglar): Bu holda, foydalanuvchi ob'ektni yoqtirish yoki yoqtirmaslikni ifodalovchi reytinglarni belgilaydi. Tahlil qilishda foydalanuvchi yoqtirmaslikning kiritilishi muhim ahamiyatga ega, chunki bu muammoni yanada murakkablashtiradi va ko'pincha asosiy algoritmlarga ba'zi o'zgarishlar kiritishni talab qiladi.
Reytinglarga asoslangan foydali matritsaning misoli 18.4a-rasmda va ijobiy afzal ko'rilgan foydali matritsaning misoli 18.4b-rasmda ko'rsatilgan. Bu holda oltita foydalanuvchi mavjud va U1. . . U6 nomlari bilan belgilangan va oltita alohida sarlavhalangan film. Yuqori reytinglar 18.4a-rasmda ko'proq ijobiy fikr bildiradi. Yo'qotilgan yozuvlar ikkala holatda ham aniqlanmagan afzalliklarga mos keladi. Bu farq ikki holatda ishlatiladigan algoritmlarni sezilarli darajada o'zgartiradi. Xususan, 18.4-rasmdagi ikkita matritsa bir xil ko'rsatilgan yozuvlarga ega, ammo ular juda boshqacha tushunchalarni beradi.
Masalan, 18.4a-rasmda U1 va U3 foydalanuvchilari juda farq qiladi chunki ular o'zlarining umumiy belgilangan yozuvlari uchun juda boshqacha reytingga ega. Boshqa tomondan, bu foydalanuvchilar 18.4b-rasmda juda o'xshash deb hisoblangan bo'lardi, chunki bu foydalanuvchilar bir xil narsalarga ijobiy ustunlik bildirishgan. Baholarga asoslangan yordam dasturi, foydalanuvchilar uchun elementlarga nisbatan salbiy fikr bildirishning usuli hisoblandi. Masalan, U1 foydalanuvchisi 18.4a-rasmdagi Gladiator filmini yoqtirmaydi. 18.4b-rasmdagi ijobiy afzallik yordamchi matritsani, nisbatan noaniq yetishmayotgan yozuvdan tashqari, ko'rsatadigan mexanizmi yo'q. Boshqacha qilib aytganda, 18.4b-rasmdagi matritsa kamroq ifodalangan. 18.4b-rasmda ikkilik matritsaning misoli keltirilgan bo'lsa-da, nolga teng bo'lmagan yozuvlar ixtiyoriy musbat qiymatlar bo'lishi mumkin. Masalan, ular turli foydalanuvchilar tomonidan sotib olingan narsalar miqdoriga mos kelishi mumkin.
Bu farq ikki holatda ishlatiladigan algoritmlar turlariga ta'sir qiladi. Ijobiy va salbiy imtiyozlarga ruxsat berish, odatda, muammoni qiyinlashtiradi. Ma'lumotlar to'plash nuqtai nazaridan, ular salbiy afzalliklar haqida xulosa chiqarish ham qiyinroq reytinglar emas, balki mijozlarning xatti-harakatlaridan kelib chiqadi. Tavsiyalar, shuningdek, foydalanuvchi va ob'ekt ko'rinishlarida kontentdan foydalanish bilan yaxshilanishi mumkin.
Kontentga asoslangan tavsiyalar: Bu holda foydalanuvchilar va elementlar xususiyatga asoslangan tavsiflar bilan bog'lanadi. Masalan, ob'ekt tavsifi matni yordamida ob'ekt profillarini aniqlash mumkin. Foydalanuvchi profilda o'z manfaatlarini ham aniq ko'rsatgan bo'lishi mumkin. Shu bilan bir qatorda, ularning profilini sotib olish yoki ko'rish xatti-harakatlaridan xulosa qilish mumkin.
Birgalikda filtrlash: Nomidan ko'rinib turibdiki, hamkorlikda filtrlash - bu barcha foydalanuvchilar manfaati uchun "hamkorlik" usulida baholash yoki sotib olish harakati shaklida foydalanuvchi afzalliklaridan foydalanish. Xususan, foydali matritsadan ma'lum elementlar uchun tegishli foydalanuvchilarni yoki e-tavsiya jarayonida muayyan foydalanuvchilar uchun tegishli elementlarni aniqlash uchun foydalaniladi. Ushbu yondashuvning asosiy oraliq bosqichi - ob'ektlar va foydalanuvchilarning o'xshash guruhlarini aniqlash. Ushbu tengdosh guruhlardagi namunalar tavsiya etish jarayonida zarur bo'lgan hamkorlikdagi bilimlarni beradi.
Ikkala model ham eksklyuziv emas. Ko'pincha tarkibga asoslangan usullarni birgalikdagi filtrlash usullari bilan birlashtirib, birlashtirilgan afzallik ballini yaratish mumkin. Birgalikda filtrlash usullari odatda ko'proq modellar orasida mavjud va ishlatiladi, shuning uchun ushbu bo'limda batafsilroq muhokama qilinadi.
Birgalikda filtrlash algoritmlarida ishlatiladigan yordamchi matritsalar juda katta va siyrak ekanligini tushunish muhimdir. n × d foydali matritsadagi n va d qiymatlari 105 dan oshishi odatiy hol emas. Matritsa ham nihoyatda siyrak. Masalan, kino ma'lumotlar to'plamida odatiy foydalanuvchi 105 dan ortiq filmlar olamidan 10 tadan ko'p bo'lmagan reytingni ko'rsatgan bo'lishi mumkin.
reytingga asoslangan yordamchi dastur (b) ijobiy afzalliklar yordamchi dastur
18.4 Jadval. Yordamchi dasturlarga misollar
Asosiy darajada hamkorlikda filtrlashni yetishmayotgan qiymatni baholash yoki matritsani to'ldirish muammosi sifatida ko'rish mumkin, unda to'liq bo'lmagan
n × d foydali matritsa ko'rsatilgan va yetishmayotgan qiymatlarni baholash kerak. Bibliografik eslatmalarda muhokama qilinganidek, an'anaviy statistik adabiyotlarda yetishmayotgan qiymatlarni baholash bo'yicha ko'plab usullar mavjud. Biroq, hamkorlikdagi filtrlash muammolari ma'lumotlar hajmi va siyrakligi nuqtai nazaridan juda qiyin maxsus holatni taqdim etadi.
|
| |
