सहयोगात्मक फ़िल्टरिंग (Collaborative Filtering)
सहयोगात्मक फ़िल्टरिंग मेमोरी-आधारित तर्क का एक रूप है जो व्यक्तिगत अनुशंसाओं का समर्थन करने के एप्लिकेशन के लिए विशेष रूप से उपयुक्त है। एक सहयोगात्मक फ़िल्टरिंग सिस्टम व्यक्तिगत प्राथमिकताओं के इतिहास से शुरू होता है। दूरी फ़ंक्शन प्राथमिकताओं के ओवरलैप के आधार पर समानता तय करता है - जो लोग एक ही चीज़ पसंद करते हैं वे करीब होते हैं।
इसके अलावा, वोटों को दूरियों द्वारा भारित किया जाता है, इसलिए करीबी पड़ोसियों के वोट अनुशंसा के लिए अधिक गिने जाते हैं। दूसरे शब्दों में, यह एक ऐसे व्यक्ति की वर्तमान प्राथमिकताओं में फिट होने वाले संगीत, किताबें, शराब, या कुछ और की खोज करने का एक दृष्टिकोण है, उनके समान स्वाद के लिए चुने गए एक सहकर्मी समूह के निर्णयों का उपयोग करके। इस विधि को सामाजिक सूचना फ़िल्टरिंग के रूप में जाना जाता है।
सहयोगात्मक फ़िल्टरिंग वर्ड-ऑफ-माउथ का उपयोग करके यह निर्धारित करने की प्रक्रिया को स्वचालित करता है कि वे कुछ पसंद कर सकते हैं या नहीं। यह जानना कि कई लोगों ने कुछ पसंद किया है, पर्याप्त नहीं है। हर कोई कुछ अनुशंसाओं को दूसरों की तुलना में अधिक महत्व देता है। एक करीबी दोस्त की अनुशंसा जिसकी पिछली अनुशंसाएं फोकस पर सही रही हैं, आपको एक नई फिल्म देखने के लिए जाने के लिए पर्याप्त हो सकती है भले ही यह एक शैली में हो जिसे आप आमतौर पर नापसंद करते हैं।
नए उपयोगकर्ता के लिए अनुशंसा तैयार करने के चरण
नए ग्राहक को आइटम्स के चयन को रेट करके एक उपयोगकर्ता प्रोफ़ाइल बनाना, जिसमें फिल्में, गाने, या रेस्तरां शामिल हैं।
किसी समानता माप का उपयोग करके नए उपयोगकर्ता की प्रोफ़ाइल की तुलना अन्य उपयोगकर्ताओं की प्रोफ़ाइल से करना।
समान प्रोफ़ाइल वाले उपयोगकर्ताओं की रेटिंग के कुछ संयोजन का उपयोग करके उस रेटिंग का पूर्वानुमान लगाना जो नया उपयोगकर्ता उन आइटम्स को दे सकता है जिन्हें उसने अभी तक रेट नहीं किया है।
चुनौतियां
सहयोगात्मक फ़िल्टरिंग के साथ एक चुनौती यह है कि रेट किए जाने वाले आइटम्स किसी एक व्यक्ति के पूरे होने या रेट करने के इच्छुक होने की तुलना में कहीं अधिक हैं। यानी, प्रोफाइल आमतौर पर विरल होती हैं, जिसका अर्थ है कि अनुशंसाएं बनाने के लिए उपयोगकर्ताओं की प्राथमिकताओं में थोड़ा ओवरलैप होता है। एक ग्राहक प्रोफ़ाइल को एक वेक्टर के रूप में सोचें जिसमें रेट किए जाने वाले तत्वों के ब्रह्मांड में प्रति आइटम एक घटक हो। वेक्टर का प्रत्येक तत्व संबंधित तत्व के लिए प्रोफ़ाइल मालिक की रेटिंग को -5 से 5 के पैमाने पर परिभाषित करता है, जहां 0 तटस्थता को दर्शाता है और कोई राय नहीं होने पर खाली मान।
यदि वेक्टर में हजारों घटक हैं और प्रत्येक उपयोगकर्ता तय करता है कि किन्हें रेट करना है, तो किन्हीं दो उपयोगकर्ताओं की प्रोफाइल कुछ ओवरलैप के साथ समाप्त होने की संभावना है। दूसरे शब्दों में, उपयोगकर्ताओं को एक विशिष्ट सबसेट रेट करने के लिए मजबूर करना दिलचस्प डेटा को याद कर सकता है क्योंकि अस्पष्ट तत्वों की रेटिंग सामान्य तत्वों की रेटिंग की तुलना में उपयोगकर्ता के बारे में अधिक बता सकती है।
