بررسي روش هاي توصيه كارآمد با استفاده از كارشناسان دسته براي داده هاي حجيم

روش هاي مبتني بر محله براي برآوردن هر دوي عملكرد و دقت در سيستم هاي توصيه 1 پيشنهاد شده اند. با اين حال، برآورده ساختن آنها با هم دشوار است، زيرا يك معاوضه بين آنها به خصوص در محيط داده بزرگ وجود دارد. در اين مقاله، ما روش نويني، به نام روش CE ، را با استفاده از مفهوم كارشناسان دسته به منظور اعمال معاوضه بين عملكرد و دقت ارائه مي كنيم. روش CE تعداد كمي از كاربران را به عنوان كارشناسان در هر دسته انتخاب مي كند و از رتبه بندي آنها به جاي همسايگان عادي استفاده مي نمايد. علاوه بر اين، ما روش هاي CES و CEP )انواع ديگري از روش CE ) را براي رسيدن به دقت بالاتر پيشنهاد مي دهيم. روش CES شباهت بين كاربران فعال و متخصص دسته بندي را در پيش بيني رتبه بندي ها در نظر مي گيرد و روش CEP از ترجيح )علاقه( كاربر فعال در هر دسته استفاده مي كند. در نهايت، ما با توجه همزمان به شباهت و ترجيح، تمام روش ها را براي ايجاد روش CESP تركيب مي كنيم. با استفاده از مجموعه داده هاي دنياي واقعي از مويلنز و سيائو، ما نشان مي دهيم كه پيشنهاد ما با موفقيت اهرم معاوضه بين عملكرد و دقت مي باشد و بهتر از روش هاي توصيه مبتني بر محله موجود در پوشش است. به طور خاص تر، روش CESP بهبود 5 درصدي دقت را در مقايسه با روش مبتني بر مورد 2 ارائه مي كند در حالي كه 9 بار سريع تر از روش مبتني بر كاربر 3 انجام مي شود