کاربرد تجزیه‌های ماتریسی در سامانه‌‌های پیشنهادگر

با توجه به انبوه‌ اطلاعات در شبکۀ جهانی اینترنت، وجود سامانه‌‌های پیشنهادگر که کالاها را به‌شکل خودکار و هوشمندانه به کاربران پیشنهاد دهند، کاملاً ضروری به ‌نظر می‌رسد. یکی از چالش‌های مطرح در این نوع سامانه‌ها، تُنکی ماتریس کاربر-کالا است که باعث می‌شود سامانه نتواند پیشنهاد مناسبی به کاربر ارائه دهد و درنتیجه کارایی آن کاهش پیدا می‌کند. الگوریتم پیشنهادی ما برای رفع این مشکل، ترکیب پالایش مشارکتی مبتنی‌بر حافظه و پالایش مشارکتی مبتنی‌بر مدل است. برای این منظور از روش‌های کاهش بُعد استفاده می‌‌کنیم که از طریق فشرده‌سازی ماتریس‌ها تقریبی کم‌رتبه از آن به دست می‌دهد و علاوه‌بر تشخیص داده‌های کم‌اهمیت و حذف آن‌ها، ساختار داخلی داده‌ها نیز بهتر مشخص می‌شود. به همین دلیل، روش‌های تجزیۀ مقدار تکین svd  و تجزیۀ نیمه‌گسسته‎ sdd را مورد بررسی قرار می‌دهیم و نتایج حاصل را مقایسه می‌کنیم. نتایج به‌دست آمده نشان می‌دهد که هرچند ‎کمترین خطا را دارد، ولی  با خطایی نزدیک به ‎svd   از نظر زمان اجرا و به‌ویژه حافظهٔ موردنیاز به‌صرفه‌تر است.