کاربرد تجزیه های ماتریسی در سامانه های پیشنهادگر

با توجه به انبوه اطلاعات در شبکه جهانی اینترنت، وجود سامانه های پیشنهادگر که کالاها را به شکل خودکار و هوشمندانه به کاربران پیشنهاد دهند، کاملا ضروری به نظر می رسد. یکی از چالش های مطرح در این نوع سامانه ها، تنکی ماتریس کاربر-کالا است که باعث می شود سامانه نتواند پیشنهاد مناسبی به کاربر ارائه دهد و درنتیجه کارایی آن کاهش پیدا می کند. الگوریتم پیشنهادی ما برای رفع این مشکل، ترکیب پالایش مشارکتی مبتنی بر حافظه و پالایش مشارکتی مبتنی بر مدل است. برای این منظور از روش های کاهش بعد استفاده می کنیم که از طریق فشرده سازی ماتریس ها تقریبی کم رتبه از آن به دست می دهد و علاوه بر تشخیص داده های کم اهمیت و حذف آن ها، ساختار داخلی داده ها نیز بهتر مشخص می شود. به همین دلیل، روش های تجزیه مقدار تکین SVD  و تجزیه نیمه گسسته‎ SDD را مورد بررسی قرار می دهیم و نتایج حاصل را مقایسه می کنیم. نتایج به دست آمده نشان می دهد که هرچند ‎کمترین خطا را دارد، ولی  با خطایی نزدیک به ‎SVD   از نظر زمان اجرا و به ویژه حافظه موردنیاز به صرفه تر است.

کلیدواژه ها:

سامانه های پیشنهادگر ، پالایش مشارکتی ، ماتریس کاربر-کالا ، کاهش بعد ، تجزیه مقدار تکین ، تجزیه نیم گسسته