فیلتر کردن مشارکتی

فیلتر کردن مشارکتی با بهره‌گیری از الگوهای رفتاری بسیاری از کاربران، آیتم‌ها را توصیه می‌کند و آیتم‌هایی را پیشنهاد می‌دهد که کاربران همفکر ترجیح داده‌اند.

Definition

فیلتر کردن مشارکتی ترجیح کاربر را برای یک آیتم از الگوی ترجیحات بیان شده توسط بسیاری از کاربران در مورد بسیاری از آیتم‌ها پیش‌بینی می‌کند، با استفاده از شباهت بین کاربران یا آیتم‌ها (روش‌های همسایگی) یا عوامل پنهان آموخته شده که ماتریس کاربر-آیتم را بازسازی می‌کنند (روش‌های مبتنی بر مدل).

Scope

این موضوع به توصیه بر اساس ماتریس تعامل کاربر-آیتم بدون محتوای آیتم می‌پردازد: روش‌های همسایگی (مبتنی بر حافظه) با استفاده از شباهت کاربر-کاربر و آیتم-آیتم، و روش‌های مبتنی بر مدل، به ویژه تجزیه ماتریس به عوامل پنهان کاربر و آیتم. این موضوع به معیارهای شباهت، مدیریت پراکندگی و مقیاس‌پذیری، بازخورد ضمنی، و محدودیت شروع سرد می‌پردازد. این موضوع پارادایم اصلی مشارکتی را مورد بررسی قرار می‌دهد و بسط‌های ترکیبی و آگاه به زمینه و ارزیابی را به موضوعات مجاور واگذار می‌کند.

Core questions

• چگونه روش‌های همسایگی از شباهت کاربر-کاربر یا آیتم-آیتم برای پیش‌بینی ترجیحات استفاده می‌کنند؟
• چگونه تجزیه ماتریس عوامل پنهان را برای کاربران و آیتم‌ها یاد می‌گیرد؟
• چگونه پراکندگی و مقیاس‌پذیری ماتریس کاربر-آیتم مدیریت می‌شود؟
• چگونه بازخورد ضمنی مانند کلیک‌ها یا خریدها گنجانده می‌شود؟
• چرا فیلتر کردن مشارکتی در موقعیت‌های شروع سرد (cold-start) با مشکل مواجه می‌شود؟

Key concepts

• ماتریس تعامل کاربر-آیتم
• شباهت کاربر-کاربر و آیتم-آیتم
• روش‌های همسایگی (مبتنی بر حافظه)
• تجزیه ماتریس
• عوامل پنهان
• پراکندگی داده‌ها
• بازخورد ضمنی
• مشکل شروع سرد

Key theories

فیلتر کردن مشارکتی مبتنی بر همسایگی

پیش‌بینی‌ها از رتبه‌بندی کاربران مشابه یا آیتم‌های مشابه شکل می‌گیرند، با این تفاوت که نسخه‌های مبتنی بر آیتم اغلب پایدارتر و مقیاس‌پذیرتر هستند زیرا شباهت‌های آیتم-آیتم به کندی تغییر می‌کنند و می‌توانند از قبل محاسبه شوند.

مدل‌های عامل پنهان تجزیه ماتریس

تجزیه ماتریس پراکنده کاربر-آیتم به بردارهای عامل کاربر و آیتم با ابعاد پایین، که حاصل ضرب داخلی آنها ترجیحات را تخمین می‌زند، ابعاد سلیقه پنهان را به تصویر می‌کشد و معمولاً عملکرد بهتری نسبت به روش‌های همسایگی دارد، همانطور که توسط جایزه نتفلیکس برجسته شد.

Clinical relevance

فیلتر کردن مشارکتی موتور محرک توصیه‌های در مقیاس بزرگ در تجارت الکترونیک، پخش جریانی، و پلتفرم‌های اجتماعی است، جایی که داده‌های تعاملی فراوان به سیستم‌ها اجازه می‌دهد تا آیتم‌های مرتبط را در کاتالوگ‌های متنوع نمایش دهند. ایده‌های تجزیه ماتریس و عوامل پنهان زیربنای بسیاری از سیستم‌های توصیه مدرن، از جمله توصیه‌گرهای عصبی، هستند.

History

فیلتر کردن مشارکتی در اواسط دهه 1990 در سیستم‌هایی مانند GroupLens برای اخبار یوزنت (Usenet) پدید آمد. الگوریتم‌های مبتنی بر آیتم ساروار و همکارانش در سال 2001 مقیاس‌پذیری را بهبود بخشیدند، و جایزه نتفلیکس (2006-2009) روش‌های تجزیه ماتریس را که توسط کورن، بل و ولینسکی خلاصه شده‌اند، به شهرت رساند. مدل‌های عامل پنهان همچنان برای توصیه‌گرهای معاصر اساسی هستند.

Key figures

• Joseph Konstan
• John Riedl
• Yehuda Koren
• George Karypis
• Badrul Sarwar

Seminal works

• sarwar2001
• koren2009
• ekstrand2011

Frequently asked questions

تفاوت بین فیلتر کردن مشارکتی مبتنی بر کاربر و مبتنی بر آیتم چیست؟

روش‌های مبتنی بر کاربر، آیتم‌هایی را توصیه می‌کنند که توسط کاربران مشابه کاربر هدف پسندیده شده‌اند، در حالی که روش‌های مبتنی بر آیتم، آیتم‌هایی را توصیه می‌کنند که مشابه آیتم‌هایی هستند که کاربر هدف قبلاً پسندیده است، جایی که شباهت آیتم از الگوهای هم‌رتبه‌بندی محاسبه می‌شود. روش‌های مبتنی بر آیتم اغلب مقیاس‌پذیرتر هستند زیرا شباهت‌های آیتم پایدارتر هستند و می‌توانند از قبل محاسبه شوند.

چرا تجزیه ماتریس اینقدر محبوب شد؟

تجزیه ماتریس، ماتریس بزرگ و پراکنده کاربر-آیتم را به عوامل پنهان فشرده‌ای تبدیل می‌کند که سلیقه‌های زیربنایی را به تصویر می‌کشند، پراکندگی را به خوبی مدیریت می‌کنند و ترجیحات دیده نشده را با دقت پیش‌بینی می‌کنند. نتایج قوی آن در رقابت جایزه نتفلیکس، آن را به عنوان یک تکنیک استاندارد فیلتر کردن مشارکتی تثبیت کرد.