مطالعه مقایسهای دو رویکرد در سیستمهای توصیه گر فیلم رویکرد TF-IDF تعاملی در برابر پالایش اشتراکی مبتنی بر ضریب همبستگی پیرسون

با گسترش روزافزون حجم داده ها در پلتفرم های پخش ویدئو سیستم های توصیه گر به ابزاری حیاتی برای بهبود تجربه کاربری و کاهش سردرگمی در انتخاب محتوا تبدیل شده اند. هدف از این مقاله مطالعه مقایسه ای دو رویکرد متمایز در طراحی این سیستم ها است. رویکرد اول مبتنی بر تحلیل محتوای متنی با شاخص TF-IDF و فاز تعاملی و رویکرد دوم مبتنی بر پالایش اشتراکی با استفاده از ضریب همبستگی پیرسون (PCC) و الگوریتم KNN. در این پژوهش، کارایی این دو مدل در دو مقیاس متفاوت از مجموعه داده های Movies (۲ میلیون امتیاز در مقابل ۱۰۰ هزار امتیاز) مورد ارزیابی قرار گرفت. یافته های پژوهش نشان می دهد که مدل همبستگی پیرسون با کسب شاخص های خطای RMSE برابر با ۰.۹۱۳۷ و MAE برابر با ۰.۷۱۲۴ در مجموعه داده های کوچک و محیط هایی که دقت پیش بینی امتیاز اولویت دارد، عملکرد برتری از خود نشان می دهد؛ در مقابل مدل مبتنی بر TF-IDF و تعامل علی رغم نرخ خطای بالاتر (RMSE: ۱.۳۰۱) در مدیریت مجموعه داده های کلان و حل چالش شروع سرد پایداری و سرعت پاسخگویی بسیار بیشتری دارد. نتیجه این مقایسه نشان می دهد که مدل های متنی تعاملی برای پلتفرم های عملیاتی بزرگ با نیاز به جستجوی لحظه ای مناسب تر هستند، در حالی که مدل های مبتنی بر همبستگی برای سیستم های تخصصی با تمرکز بر شخصی سازی عمیق اولویت دارند.

کلیدواژه ها:

سیستم های توصیه گر ، فیلم ، پالایش اشتراکی ، شاخص TF-IDF ، ضریب همبستگی پیرسون ، کلان داده