سامانه پيشنهاددهنده تركيبي با كمك واريانس رتبه‌بندي اقلام

مدل نزديك‌ترين همسايگي (KNN) و سامانه‌هاي توصيه‌گر مبتني بر اين مدل (KRS) از موفق‌ترين سامانه‌هاي توصيه‌گر در حال حاضر در دسترس هستند. اين روش‌ها شامل پيش‌بيني رتبه‌بندي يك آيتم بر اساس ميانگين رتبه‌بندي آيتم‌هاي مشابه است. ميانگين رتبه‌بندي آيتم‌هاي مشابه، با در‌نظر‌گرفتن تشابه تعريف شده، ميانگين امتيازي را به هر آيتم، به‌عنوان ويژگي به آن خواهد داد. در اين مقاله KRS ايجاد‌شده با تركيب رويكردهاي زير ارائه شده است: (الف) استفاده از ميانگين و واريانس رتبه‌بندي اقلام به‌عنوان ويژگي‌هاي آيتم، براي يافتن موارد مشابه در (IKRS)؛ (ب) استفاده از ميانگين و واريانس رتبه‌بندي كاربر به‌عنوان ويژگي‌هاي كاربر براي يافتن كاربران مشابه با KRS كاربرپسند (UKRS)؛ (ج) استفاده از ميانگين وزني براي تلفيق رتبه‌بندي كاربران/آيتم‌هاي همسايه. (د) استفاده از يادگيري جمعي. سه روش پيشنهادي EVMBR، EWVMBR و EWVMBR-G در اين مقاله پيشنهاد داده شده است. هر سه روش مبتني بر كاربر بوده، كه در آن‌ها از فاصله VM  به‌عنوان معيار تفاوت بين كاربران/آيتم‌ها، براي يافتن كاربران/آيتم‌هاي همسايه استفاده و سپس به‌ترتيب از ميانگين غيروزني، وزني و وزني بر اساس مدل تركيبي كوواريانس كامل گوسين، براي پيش‌بيني رتبه‌بندي كاربر ناشناخته استفاده مي‌شوند. هر سه روش مبتني بر كاربر بوده، كه در آن‌ها از فاصله VM  به‌عنوان معيار تفاوت بين كاربران/آيتم‌ها، براي يافتن كاربران/آيتم‌هاي همسايه استفاده و سپس ميانگين به‌ترتيب از ميانگين غيروزني، وزني، وزني بر اساس مدل تركيبي كوواريانس كامل گوسين رتبه‌بندي، براي پيش‌بيني رتبه‌بندي كاربر ناشناخته استفاده مي‌شوند. ارزيابي‌هاي تجربي نشان مي‌دهد كه سه روش پيشنهادي EVMBR، EWVMBR و EWVMBR-G، كه از يادگيري جمعي استفاده مي‌كند، دقيق‌ترين روش در بين روش‌هاي ارزيابي شده است. بسته به مجموعه داده، روش پيشنهادي EWVMBR-G موفق به دست‌يابي به بيست تا سي درصد خطاي مطلق كمتر از MBR اصلي شده است. از نظر زمان اجرا، روش‌هاي پيشنهادي قابل مقايسه با MBR و بسيار سريع‌تر از روش slope-one و روش‌هاي توصيه‌گر KNN مبتني بر كسينوس يا پيرسون هستند.