توصیفی از سیستم های توصیه گر حساس به زمان و مکان مبتنی بر فیلترینگ مشارکت زمانی

در این مقاله به توصیفی از سیستم های توصیه گر حساس به زمان و مکان مبتنی بر فیلترینگ مشارکت زمانی پرداخته شده است. در بسیاری از موارد،رفتار خرید و رتبه بندی مشتریان با اطلاعات زمانی مرتبط است.برای مثال،رتبه بندی در مجموعه داده های جایزه Netflix با یک متغیر "GradeDate" همراه است و در نهایت نشان داده شده است که چگونه مولفه زمانی می تواند برای بهبود پیش بینی های رتبه استفاده شود.به طور مشابه،بسیاری از اشکال فعالیت کاربر،مانند رفتار خرید و وب clickstreams،ذاتا موقتی هستند.به طور کلی،سیستم های توصیه گر از جنبه های زمانی فعالیت کاربر به دو روش مختلف استفاده می کنند: روش اول رتبه بندی صریح:در این مورد،تاریخ ها با رتبه بندی صریح مرتبط هستند.این تاریخ ها می توانند برای بهبود دقت فرآیند پیش بینی یا از طریق استفاده از روش های پیش بینی یا از طریق اطلاعات دوره ای و فصلی (یعنی روز هفته) استفاده شوند. روش دوم بازخورد ضمنی:این سناریوها با اقدامات مشتری مانند خرید اقلام یا کلیک روی صفحات وب مطابقت دارند.از توالی تاریخی کنش های کاربر برای پیش بینی رفتار آینده استفاده می شود.روش های زیربنایی اغلب شباهت های زیادی با پیش بینی مبتنی بر الگوهای دنباله ای دارند.چنین تکنیک هایی اغلب در بسیاری از سناریوهای مانند وب clickstreamsیا تحلیل لاگ وب استفاده می شوند.این تکنیک ها همچنین می توانند برای پیش بینی رفتار خرید مشتریان آینده مورد استفاده قرار گیرند.به طور کلی استفاده از اطلاعات زمانی در رتبه بندی برای ارائه توصیه ها بسیار دشوارتر است.