Item-based relevance modelling of recommendations for getting rid of long tail products

سیستم های توصیه شده به دلیل درخواست بالقوه بالقوه خود برای کمک به کاربران برای انتخاب محصولات و خدمات، یک زمینه تحقیق در حال رشد هستند. توصیه گران در طیف گسترده ای از حوزه ها مانند فیلم ها، موسیقی، کتاب ها، رستوران ها، هتل ها، شبکه های اجتماعی، اخبار و غیره مفید هستند. به طور سنتی، توصیه گران تمایل دارند محصولات یا خدمات خاصی از شرکت را تبلیغ کنند که نوعی محبوب در بین جوامع کاربران یک نکته مهم تحقیق این است که چگونه سیستم های پیشنهاد دهنده را با توجه به مواردی که بسیار محبوب نیستند، تشکیل می دهند: محصولات دم بلند. یک مورد خاص از این موارد، آنهایی هستند که محصول از سوی فروشندگان بیش از حد است. بیش از حد، یعنی بیش از موجودی، یک منبع از دست دادن درآمد است. در این مقاله، پیشنهاد می کنیم که سیستم های پیشنهاد کننده را می توان برای از بین بردن محصولات دم به حداکثر رساندن سود کسب و کار استفاده کرد. اول، ما برای رسیدن به این وظیفه با روششناسی ارزیابی و مجموعه داده ها پیشنهاد می کنیم. سپس، ما یک الگوریتم مخصوص طراحی شده با هدف خلاص شدن از محصولات غیر معمول بر مبنای مدل مربوط به آیتم طراحی می کنیم. مقایسه پیشنهادات موجود نشان می دهد که روش حمایت شده الگوریتم به طور قابل توجهی بهتر برای این کار نسبت به سایر تکنیک های پیشرفته کشور است.