بررسی روش های توصیه کارآمد با استفاده از کارشناسان دسته برای داده های حجیم

روش های مبتنی بر محله برای برآوردن هر دوی عملکرد و دقت در سیستم های توصیه پیشنهاد شده اند. با این حال،برآورده ساختن آنها با هم دشوار است، زیرا یک معاوضه بین آنها به خصوص در محیط داده بزرگ وجود دارد. در اینمقاله، ما روش نوینی، به نام روش CE ، را با استفاده از مفهوم کارشناسان دسته به منظور اعمال معاوضه بین عملکرد ودقت ارائه می کنیم. روش CE تعداد کمی از کاربران را به عنوان کارشناسان در هر دسته انتخاب می کند و از رتبه بندیآنها به جای همسایگان عادی استفاده می نماید. علاوه بر این، ما روش های CES و CEP (انواع دیگری از روش CE)را برای رسیدن به دقت بالاتر پیشنهاد می دهیم. روش CES شباهت بین کاربران فعال و متخصص دسته بندی را در پیشبینی رتبه بندی ها در نظر می گیرد و روش CEP از ترجیح (علاقه) کاربر فعال در هر دسته استفاده می کند. در نهایت،ما با توجه همزمان به شباهت و ترجیح، تمام روش ها را برای ایجاد روش CESP ترکیب می کنیم. با استفاده از مجموعهداده های دنیای واقعی از مویلنز و سیائو، ما نشان می دهیم که پیشنهاد ما با موفقیت اهرم معاوضه بین عملکرد و دقت میباشد و بهتر از روش های توصیه مبتنی بر محله موجود در پوشش است. به طور خاص تر، روش CESP بهبود ۵درصدی دقت را در مقایسه با روش مبتنی بر مورد ارائه می کند در حالی که ۹ بار سریع تر از روش مبتنی بر کاربر انجام می شود.