सहयोगी फ़िल्टरिंग क्या है?

सहयोगात्मक फ़िल्टरिंग स्मृति-आधारित तर्क का एक अलग रूप है जो विशेष रूप से व्यक्तिगत अनुशंसाओं का समर्थन करने के आवेदन के लिए उपयुक्त है। एक सहयोगी फ़िल्टरिंग प्रणाली व्यक्ति की प्राथमिकताओं के इतिहास से शुरू होती है। डिस्टेंस फंक्शन से समानता तय करती है, पसंद करने वाले व्यक्तियों के ओवरलैप पर निर्भर करती है, जो एक ही चीज को पसंद करते हैं।

इसके अलावा, वोटों को दूरियों से भारित किया जाता है, इसलिए करीबी पड़ोसियों के वोट समर्थन के लिए अधिक मायने रखते हैं। दूसरे शब्दों में, यह संगीत, किताबें, शराब, या किसी अन्य व्यक्ति की खोज के लिए एक दृष्टिकोण है जो एक विशिष्ट व्यक्ति की वर्तमान प्राथमिकताओं में फिट बैठता है, एक सहकर्मी समूह के निर्णयों का उपयोग उनके समान स्वाद के लिए करता है। इस विधि को सामाजिक सूचना फ़िल्टरिंग के रूप में जाना जाता है।

सहयोगात्मक फ़िल्टरिंग यह निर्धारित करने के लिए कि क्या वे कुछ पसंद कर सकते हैं, यह निर्धारित करने के लिए वर्ड-ऑफ-माउथ का उपयोग करने की प्रक्रिया को स्वचालित करता है। यह जानते हुए कि कई लोगों को कुछ पसंद आया, पर्याप्त नहीं है। हर कोई कुछ सिफारिशों को दूसरों की तुलना में अधिक महत्व देता है। एक करीबी दोस्त की सिफारिश, जिसकी पिछली सिफारिशें फोकस पर सही रही हैं, आपको एक नई फिल्म देखने के लिए प्राप्त करने के लिए पर्याप्त हो सकती है, भले ही वह ऐसी शैली में हो जिसे आम तौर पर नापसंद किया जा सकता है।

स्वचालित सहयोगी फ़िल्टरिंग सिस्टम का उपयोग करने वाले नए उपयोगकर्ताओं के लिए अनुशंसाएँ तैयार करने में तीन चरण होते हैं जो इस प्रकार हैं -

• यह मूवी, गाने, या रेस्तरां सहित वस्तुओं के चयन को रेट करने के लिए नए ग्राहक को प्राप्त करके एक उपयोगकर्ता प्रोफ़ाइल का निर्माण कर सकता है।

• यह कुछ हद तक समानता का उपयोग करके नए उपयोगकर्ता प्रोफ़ाइल की तुलना अन्य उपयोगकर्ताओं की प्रोफ़ाइल से कर सकता है।

• यह रेटिंग का पूर्वानुमान लगाने के लिए समान प्रोफ़ाइल वाले उपयोगकर्ताओं की रेटिंग के कुछ संयोजन का उपयोग कर सकता है जो नए उपयोगकर्ता उन आइटमों को प्रदान कर सकते हैं जिन्हें उसने अभी तक रेट नहीं किया है।

सहयोगी फ़िल्टरिंग के साथ एक चुनौती यह है कि किसी व्यक्ति द्वारा पूरा किए जाने या रेट करने के इच्छुक होने की तुलना में कहीं अधिक आइटम प्रदान किए जाते हैं। यही है, प्रोफाइल आम तौर पर विरल होते हैं, यह परिभाषित करते हुए कि सिफारिशें बनाने के लिए उपयोगकर्ताओं की प्राथमिकताओं के बीच थोड़ा ओवरलैप होता है। मूल्यांकन किए जाने वाले तत्वों के ब्रह्मांड में प्रति आइटम एक घटक के साथ एक वेक्टर के रूप में एक ग्राहक प्रोफ़ाइल के बारे में सोचें। वेक्टर का प्रत्येक तत्व -5 से 5 के पैमाने पर संबंधित तत्व के लिए प्रोफ़ाइल स्वामी की रेटिंग को परिभाषित करता है, जिसमें 0 तटस्थता और बिना किसी राय के खाली मूल्यों को दर्शाता है।

यदि वेक्टर में हजारों घटक हैं और प्रत्येक उपयोगकर्ता यह तय करता है कि किसे रेट करना है, तो किसी भी दो उपयोगकर्ता के प्रोफाइल के कुछ ओवरलैप के साथ समाप्त होने की संभावना है। दूसरे शब्दों में, उपयोगकर्ताओं को एक विशिष्ट सबसेट को रेट करने के लिए मजबूर करने से दिलचस्प डेटा छूट सकता है क्योंकि अधिक अस्पष्ट तत्वों की रेटिंग सामान्य लोगों की रेटिंग की तुलना में उपयोगकर्ताओं के बारे में अधिक कह सकती है।