بهبود سامانه‌های توصیه گر از طریق رویکرد تصحیح خطای آموزشی دوگانه

هدف از این تحقیق، شرح روشی در جهت بهبود دقت سامانه‌های توصیه گر برای پیش‌بینی ترجیحات کاربران با استفاده از رویکرد اصلاح خطای آموزشی دوگانه (کاربر و مورد) است. در ابتدا از یک سامانه توصیه‌گر برای ارائه توصیه‌هایی برای کاربران و موارد استفاده می‌شود. در مرحله دوم، پس از اجرای اولیه سامانه توصیه‌گر، با در نظر گرفتن خطا در مجموعه آموزشی بین کاربران، مورد‌ها و شباهت آن‌ها، پیش‌بینی‌های به‌دست‌آمده از سیستم توصیه گر بهبود داده می شود. این اصلاحات از هر دو دیدگاه کاربر و مورد انجام شدنی است. درنهایت سامانه تصحیح دوگانه به‌طور موثر، هر دو اصلاح را ترکیب می کند. این روش مدلی را محاسبه می‌کند که خطای توصیه را در مجموعه آموزشی صفر خواهد کرد، سپس آن را روی مجموعه آزمایشی اعمال می‌کند تا پیش‌بینی‌های رتبه‌بندی برای اولویت‌های کاربران را بهبود بخشد و به‌این‌ترتیب باعث افزایش دقت توصیه‌ها ‌شود. نتایج تجربی به‌دست‌آمده از این تحقیق، کارا بودن این مدل را در چهار مجموعه داده شناخته‌شده نشان می‌دهد.