افزایش سرعت سیستم پیشنهاد دهندة slope-one

سیستم های پیشنهاددهنده، نمونه ای از موفق ترین ابزارهای شخصی سازی در وب هستند. کشف اطلاعات مناسب برای راهنمایی کاربر یا کشف آیتم های مورد علاقۀ کاربر در یک فضای بسیاربزرگ، از جمله قابلیت های سیستم های پیشنهاد دهنده است. هدف اصلی یک سیستم پیشنهاد دهنده، کشف علایق کاربر و توصیۀ آیتم ها و خدمات جدید به وی است. چنین سیستمی، یک ابزار ضروری برای فروشگاههای بزرگ اینترنتی است. تاکنون، انواع مختلفی از سیستم های پیشنهاددهنده ارائه شده است که از آن جمله، میتوان به روش slope-one اشاره کرد که نوعی روش رگرسیونی با شیبِ واحد است. در این روش، امتیازِ مجهولِ آیتمِ j-امِ یک کاربر، براساس این فرض تخمین زده میشود که بازای هر i، اختلافِ امتیازِ معلومِ آیتمِ i-امِ آن کاربر و امتیازِ مجهولِ آیتمِ j-امِ آن کاربر، برابر با میانگین اختلافِ امتیازِ معلومِ آیتم i-ام و امتیازِ معلومِ آیتمِ j-امِ دیگر کاربران است. در این مقاله، برای افزایش سرعت روش slope-one، برای تخمین امتیازِ مجهولِ آیتمِ j-امِ یک کاربر، از این فرض استفاده میشود که بازای هر i، اختلافِ امتیازِ معلومِ آیتم i-امِ آن کاربر و امتیازِ مجهولِ آیتمِ j-امِ آن کاربر، برابر با اختلاف میانگینِ امتیازِ آیتمِ i-ام و میانگینِ امتیازِ آیتمِ j-امِ دیگر کاربران است. به عبارت دیگر، در روش پیشنهادی، بجای میانگینِ اختلافِ امتیازها در روش slope-one، از اختلافِ میانگینِ امتیازها استفاده میشود. از آنجا که میانگینِ امتیازِ آیتم ها برای تخمینِ هر امتیازِ مجهولی، مقداری ثابت است فقط یکبار محاسبه میشود که منجر به افزایش سرعت روش پیشنهادی در برابر با روش slope-one میشود. آزمایشهای انجام شده روی مجموعه داده های یک فروشگاه محصولات فرهنگی واقعی، نشان میدهد که سرعت روش پیشنهادی، 100 برابر بهتر از روش slope-one است.