An entropy-based neighbor selection approach for collaborative filtering

فیلترینگ همکاری یک تکنولوژی در حال ظهور است که برای حل مشکل اضافی اطلاعات، هدایت مشتریان را با ارائه توصیه هایی در مورد محصولاتی که ممکن است مورد توجه قرار گیرد. محدوده تشکیل یک کاربر / مورد بخش مهمی از روند توصیه است. الگوریتم های فیلترینگ همگانی سنتی صرفا از شباهت های نهادی استفاده می کنند تا بتوانند محله ها را تشکیل دهند. در این مقاله، یک رویکرد جدید بر اساس آنتروپی مبتنی بر انتگرال ارائه می کنیم که بر اندازه گیری عدم قطعیت بردارهای موجودیت تمرکز دارد. این عدم قطعیت را می توان به نحوی که کاربر یک دامنه رتبه بندی را درک می کند، برای تفکیک سلیقه های خود یا تنوع بندی امتیازات رتبه بندی اقلام تفسیر می کند. روش پیشنهادی، با توجه به مقادیر غیرقطعی، شباهتها را در نظر میگیرد و حل مسئله بهینه سازی جمعآوری نهادهای مشابه را با حداقل تفاوت آنتروپی در یک محله، حل میکند. مشکل بهینه سازی توصیف شده را می توان به عنوان بهینه سازی ترکیبی در نظر گرفت و آن را به 0-1 مشکل حلقه بسته است. ما آزمایش های مبتنی بر مجموعه داده های معیاری را انجام می دهیم تا دقت روش ما را با الگوریتم های فیلترینگ همگانی مشترک مبتنی بر کاربر و اقلام مقایسه کنیم. ما همچنین ادغام روش ما با بعضی از مطالعات قبلا معرفی شده را بررسی می کنیم. نتایج تجربی ثابت می کند که روش پیشنهاد شده به طور قابل توجهی دقت توصیه شده از الگوریتم های فیلترینگ همگانی سنتی را بهبود می بخشد و امکان ترکیب روش مبتنی بر آنتروپی با سایر کارهای سازگار را فراهم می کند که روش های جدید تشابه یا روش های جدید انتخاب همسایگی را معرفی می کند.