Filtrado Colaborativo

Puntuación basada en filtrado colaborativo es el proceso de predecir
cómo un usuario le pondría un ítem dado de otro usuario
calificaciones. Proponemos tres esquemas relacionados con una pendiente
predictores de la forma que la precompute
diferencia media entre las calificaciones de un elemento y otro
para los usuarios que tiene ambos. Cuesta una algoritmos son
fácil de aplicar, eficaz parala consulta, precisa de manera razonable,
y apoyan ambas consultas en línea y actualizaciones dinámicas,
lo que los hace buenos candidatos para sistemas del mundo real.
El esquema básico UNA PENDIENTE se propone como una nueva referencia
esquema de filtrado colaborativo. Al tener en cuenta
elementos que un usuario le gustaba por separado de los elementos que un usuario desagradaban, quelograr resultados competitivos con menor memorybased
esquemas sobre el punto de referencia estándar y EachMovie Movielens conjuntos de datos, mientras que un mejor cumplimiento de los deseos del CF aplicaciones.
Palabras clave: Collaborative Filtering, Recommender, e-Comercio, Minería de Datos, Descubrimiento de Conocimiento
Una línea basado en calificaciones Collaborative Filtering CF consultaconsiste en una serie de (tema, la calificación) pares de un solo usuario.
La respuesta a la consulta que es una matriz de material predicho (,
valoraciones) pares para aquellos artículos que el usuario aún no ha clasificado. nosotros
objetivo es proporcionar robustos esquemas CF que son:
1. fácil de implementar y mantener: todos los datos agregados
debe ser fácilmente interpretado por elingeniero y media
algoritmos deben ser fáciles de implementar y probar;
2. actualizable sobre la marcha: la adición de una nueva calificación
debe cambiar todas las predicciones instantáneamente;
3. eficiente en tiempo de consulta: consultas debe ser rápido, posiblemente
a expensas de almacenamiento;
4. esperan poco de los primeros visitantes: un usuario con puntuaciones pocos
debe recibirrecomendaciones válidas;

5. precisa dentro de lo razonable: los sistemas deben ser competitivos con los planes más precisos, pero una ganancia menor en la precisión no es siempre digno de un gran sacrificio en la sencillez
o escalabilidad.
Nuestro objetivo en este trabajo no es comparar la precisión de una amplia variedad de algoritmos de CF sino más bien demostrar que la pendiente Uno esquemas decumplir simultáneamente los cinco metas. A pesar del hecho de que nuestros sistemas son simples, actualizable, computacionalmente eficiente y escalable, que son comparables en precisión a los esquemas que renunciar a algunos de los otras ventajas.
Nuestra Pendiente Una algoritmos funcionan según el principio intuitivo
de un "diferencial popularidad" entre los elementos de los usuarios.
En unpairwise moda, determinamos cuánto mejor un
elemento ha gustado que otro. Una forma de medir esta diferencia
consiste simplemente en restar la media de puntuación de los dos elementos.
A su vez, esta diferencia puede ser usada para predecir otro usuario Puntuación de uno de esos artículos, dada su calificación de la otra.
Considere dos usuarios A y B, los dos elementos I y J y la figura. 1.Usuario A se dio el artículo que una puntuación de 1, mientras que el usuario B se le dio una
calificación de 2, mientras que el usuario se dio el punto J una calificación de 1,5. Observamos
que J ítem tiene más de un elemento que por 1,5-1 = 0,5
puntos, con lo que podríamos predecir que el usuario B le dará un punto J
Puntuación de 2 0,5 = 2,5. Hacemos un llamado al usuario B y el usuariopredictee
punto J del artículo predictee. Muchas de esas diferencias existen en un
conjunto de entrenamiento para cada calificación desconocido y nos tomamos un promedio
de esas diferencias. La familia de una pendiente esquemas presentados
aquí surgen de las tres formas que seleccionamos la diferencial correspondiente para llegar a una sola predicción. La principal contribución de este trabajo es...