सहयोगात्मक फ़िल्टरिंग

सहयोगात्मक फ़िल्टरिंग कई उपयोगकर्ताओं के व्यवहार में पैटर्न का उपयोग करके वस्तुओं की अनुशंसा करता है, उन वस्तुओं का सुझाव देता है जिन्हें समान विचारधारा वाले उपयोगकर्ताओं ने पसंद किया है।

Definition

सहयोगात्मक फ़िल्टरिंग कई वस्तुओं पर कई उपयोगकर्ताओं द्वारा व्यक्त की गई वरीयताओं के पैटर्न से किसी वस्तु के लिए उपयोगकर्ता की वरीयता की भविष्यवाणी करता है, या तो उपयोगकर्ताओं या वस्तुओं के बीच समानता (पड़ोस विधियाँ) या सीखे गए अव्यक्त कारकों का उपयोग करके जो उपयोगकर्ता-वस्तु मैट्रिक्स (मॉडल-आधारित विधियाँ) का पुनर्निर्माण करते हैं।

Scope

यह विषय वस्तु सामग्री के बिना उपयोगकर्ता-वस्तु इंटरैक्शन मैट्रिक्स से अनुशंसा को शामिल करता है: उपयोगकर्ता-उपयोगकर्ता और वस्तु-वस्तु समानता का उपयोग करके पड़ोस (स्मृति-आधारित) विधियाँ, और मॉडल-आधारित विधियाँ, विशेष रूप से अव्यक्त उपयोगकर्ता और वस्तु कारकों में मैट्रिक्स गुणनखंडन। यह समानता उपायों, विरलता और मापनीयता को संभालने, निहित प्रतिक्रिया और कोल्ड-स्टार्ट सीमा को संबोधित करता है। यह मुख्य सहयोगात्मक प्रतिमान का इलाज करता है, हाइब्रिड और संदर्भ-जागरूक एक्सटेंशन और मूल्यांकन को आसन्न विषयों पर छोड़ देता है।

Core questions

• पड़ोस विधियाँ वरीयताओं की भविष्यवाणी करने के लिए उपयोगकर्ता-उपयोगकर्ता या वस्तु-वस्तु समानता का उपयोग कैसे करती हैं?
• मैट्रिक्स गुणनखंडन उपयोगकर्ताओं और वस्तुओं के लिए अव्यक्त कारकों को कैसे सीखता है?
• उपयोगकर्ता-वस्तु मैट्रिक्स की विरलता और मापनीयता को कैसे संभाला जाता है?
• क्लिक या खरीद जैसी निहित प्रतिक्रिया को कैसे शामिल किया जाता है?
• सहयोगात्मक फ़िल्टरिंग कोल्ड-स्टार्ट स्थितियों में क्यों संघर्ष करती है?

Key concepts

• उपयोगकर्ता-वस्तु इंटरैक्शन मैट्रिक्स
• उपयोगकर्ता-उपयोगकर्ता और वस्तु-वस्तु समानता
• पड़ोस (स्मृति-आधारित) विधियाँ
• मैट्रिक्स गुणनखंडन
• अव्यक्त कारक
• डेटा विरलता
• निहित प्रतिक्रिया
• कोल्ड-स्टार्ट समस्या

Key theories

पड़ोस-आधारित सहयोगात्मक फ़िल्टरिंग

समान उपयोगकर्ताओं या समान वस्तुओं की रेटिंग से भविष्यवाणियां बनती हैं, जिसमें वस्तु-आधारित वेरिएंट अक्सर अधिक स्थिर और मापनीय होते हैं क्योंकि वस्तु-वस्तु समानताएं धीरे-धीरे बदलती हैं और उन्हें पहले से गणना किया जा सकता है।

मैट्रिक्स गुणनखंडन अव्यक्त-कारक मॉडल

विरल उपयोगकर्ता-वस्तु मैट्रिक्स को कम-आयामी उपयोगकर्ता और वस्तु कारक वैक्टर में गुणनखंडित करना, जिनके आंतरिक उत्पाद वरीयताओं का अनुमान लगाते हैं, अव्यक्त स्वाद आयामों को कैप्चर करता है और आमतौर पर पड़ोस विधियों से बेहतर प्रदर्शन करता है, जैसा कि नेटफ्लिक्स पुरस्कार द्वारा उजागर किया गया है।

Clinical relevance

सहयोगात्मक फ़िल्टरिंग ई-कॉमर्स, स्ट्रीमिंग और सामाजिक प्लेटफार्मों में बड़े पैमाने पर अनुशंसा का मुख्य आधार है, जहाँ प्रचुर इंटरैक्शन डेटा सिस्टम को विविध कैटलॉग में प्रासंगिक वस्तुओं को सतह पर लाने की अनुमति देता है। मैट्रिक्स-गुणनखंडन और अव्यक्त-कारक विचार आधुनिक अनुशंसा के बहुत से आधार हैं, जिसमें न्यूरल रिकमेंडर भी शामिल हैं।

History

सहयोगात्मक फ़िल्टरिंग की उत्पत्ति 1990 के दशक के मध्य में GroupLens जैसे सिस्टम में हुई थी, जो Usenet समाचारों के लिए था। सरवार और उनके सहयोगियों के 2001 के वस्तु-आधारित एल्गोरिदम ने मापनीयता में सुधार किया, और नेटफ्लिक्स पुरस्कार (2006-2009) ने मैट्रिक्स-गुणनखंडन विधियों को प्रमुखता दी, जिसे कोरेन, बेल और वोलिंस्की ने संक्षेप में प्रस्तुत किया। अव्यक्त-कारक मॉडल समकालीन रिकमेंडर के लिए मूलभूत बने हुए हैं।

Key figures

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

Seminal works

• sarwar2001
• koren2009
• ekstrand2011

Frequently asked questions

उपयोगकर्ता-आधारित और वस्तु-आधारित सहयोगात्मक फ़िल्टरिंग के बीच क्या अंतर है?

उपयोगकर्ता-आधारित विधियाँ लक्ष्य उपयोगकर्ता के समान उपयोगकर्ताओं द्वारा पसंद की गई वस्तुओं की अनुशंसा करती हैं, जबकि वस्तु-आधारित विधियाँ उन वस्तुओं के समान वस्तुओं की अनुशंसा करती हैं जिन्हें लक्ष्य उपयोगकर्ता पहले ही पसंद कर चुका है, जहाँ वस्तु समानता सह-रेटिंग पैटर्न से गणना की जाती है। वस्तु-आधारित विधियाँ अक्सर अधिक मापनीय होती हैं क्योंकि वस्तु समानताएं अधिक स्थिर होती हैं और उन्हें पहले से गणना किया जा सकता है।

मैट्रिक्स गुणनखंडन इतना लोकप्रिय क्यों हुआ?

मैट्रिक्स गुणनखंडन विशाल, विरल उपयोगकर्ता-वस्तु मैट्रिक्स को कॉम्पैक्ट अव्यक्त कारकों में संपीड़ित करता है जो अंतर्निहित स्वादों को कैप्चर करते हैं, विरलता को आसानी से संभालते हैं और अनदेखी वरीयताओं की सटीक भविष्यवाणी करते हैं। नेटफ्लिक्स पुरस्कार प्रतियोगिता में इसके मजबूत परिणामों ने इसे एक मानक सहयोगात्मक-फ़िल्टरिंग तकनीक के रूप में स्थापित किया।