5.1 مقدمه
روش های فیلترینگ همکاری (CF) توصیه های ویژه کاربر از اقلامی براساس الگوهای درجه بندی یا استفاده بدون نیاز برای اطلاعات بیرونی درباره اقلام یا کاربران تولید می کند. در حالیکه روش های خوب ایجاد شده به اندازه کافی برای خیلی از اهداف کار می کند، ما چندین توسعه اخیر در دسترس را به تحلیل گرانی نشان دادیم که به دنبال بهترین توصیه ممکن بودند.
رقابت جایزه نتفلیکس که در اکتبر سال 2006 شروع شده است تازه ترین پیشرفت ها در زمینه فیلترینگ همکاری را تقویت کرده است. برای اولین بار، جامعه تحقیقاتی دسترسی به داده های محکم صنعتی در مقیاس بزرگ مجموعه 100 میلیون درجه بندی سینمایی را کسب کرده است، و هزاران دانشمند، دانشجو، مهندس و علاقمند در این زمینه را جذب کرده است. ماهیت این رقابت رشد سریع را تشویق می کند، جاییکه مبتکران هر نسل از تکنیک ها را می سازند تا درستی پیش بینی را بهبود دهند. به دلیلی که همه روش ها با همان معیار سخت درباره داده های مشترک سنجیده می شوند، سیر تکاملی مدل های قدرتمندتری مخصوصا موثر است.
سیستم های توصیه کننده بر انواع مختلف ورودی تکیه دارند. کیفیت بالای بازخورد صریح مناسب ترین است، جاییکه کاربران مستقیما علاقه شان به محصولات را گزارش می کنند. برای نمونه، نتفلیکس رتبه ستاره برای سینما جمع آوری می کند و کاربران TiVo اولویت هایشان برای شوی تلویزیونی را با ضربه انگشت روی بالا/پایین نشان می دهند.
دریافت فایل وورد 53 صفحه ای به همراه یک مقاله انگلیسی در این زمینه
