रिकमंडर सिस्टम के लिए डेटा माइनिंग विधियां
रिकमंडर सिस्टम सामग्री-आधारित दृष्टिकोण, सहयोगी दृष्टिकोण, या एक हाइब्रिड दृष्टिकोण का उपयोग कर सकते हैं जो सामग्री-आधारित और सहयोगी दोनों विधियों को जोड़ता है।
1. सामग्री-आधारित (Content-based)
सामग्री-आधारित दृष्टिकोण उन वस्तुओं की सिफारिश करता है जो उन वस्तुओं के समान हैं जिन्हें ग्राहक ने पहले पसंद किया था या क्वेरी किया था। यह उत्पाद सुविधाओं और पाठ्य वस्तु परिभाषा पर निर्भर करता है।
सामग्री-आधारित विधियों में, इसकी गणना उसी उपयोगकर्ता द्वारा समान वस्तुओं को सौंपी गई उपयोगिताओं के आधार पर की जाती है। कई सिस्टम पाठ्य डेटा वाली वस्तुओं की सिफारिश करने पर ध्यान केंद्रित करते हैं, जिसमें वेबसाइट, लेख, और समाचार संदेश शामिल हैं। वे वस्तुओं के बीच समानता की तलाश करते हैं। फिल्मों के लिए, वे समान शैली, निर्देशक, या अभिनेताओं की तलाश कर सकते हैं।
लेखों के लिए, वे समान शर्तों की तलाश कर सकते हैं। सामग्री-आधारित दृष्टिकोण सूचना सिद्धांत में निहित हैं। वे कीवर्ड (वस्तुओं को परिभाषित करने वाले) और ग्राहक प्रोफाइल का उपयोग करते हैं जिनमें उपयोगकर्ताओं के स्वाद और आवश्यकताओं के बारे में डेटा शामिल होता है। ऐसे प्रोफाइल को स्पष्ट रूप से प्राप्त किया जा सकता है या समय के साथ ग्राहक लेनदेन व्यवहार से सीखा जा सकता है।
2. सहयोगी (Collaborative)
सहयोगी दृष्टिकोण में, यह उपयोगकर्ता के सामाजिक वातावरण पर विचार कर सकता है। यह उन अन्य ग्राहकों की राय के आधार पर वस्तुओं की सिफारिश करता है जिनके स्वाद या प्राथमिकताएं उपयोगकर्ता के समान हैं।
रिकमंडर सिस्टम वस्तुओं और उपयोगकर्ता प्राथमिकताओं के बीच समानता खोजने के लिए सूचना पुनर्प्राप्ति, सांख्यिकी, मशीन लर्निंग, और डेटा माइनिंग से कई विधियों की एक विस्तृत श्रृंखला की आवश्यकता होती है।
रिकमंडर सिस्टम का लाभ यह है कि वे ई-कॉमर्स के उपयोगकर्ताओं के लिए व्यक्तिगतकरण का समर्थन करते हैं, विकासशील वन-टू-वन मार्केटिंग। अमेज़न, सहयोगी रिकमंडर सिस्टम के उपयोग में एक अग्रणी, अपनी मार्केटिंग रणनीति के एक तत्व के रूप में "प्रत्येक ग्राहक के लिए एक व्यक्तिगत स्टोर" प्रदान करता है।
व्यक्तिगतकरण के लाभ
व्यक्तिगतकरण उपयोगकर्ताओं और शामिल कंपनी दोनों को लाभ पहुंचा सकता है। अपने उपयोगकर्ताओं के अधिक कुशल मॉडल प्राप्त करके, कंपनियों को उपयोगकर्ता आवश्यकताओं की बेहतर समझ मिलती है। इन आवश्यकताओं की सेवा करने से संबंधित उत्पादों की क्रॉस-सेलिंग, अपसेलिंग, उत्पाद आत्मीयता, वन-टू-वन प्रचार, उच्च बास्केट, और उपयोगकर्ता प्रतिधारण के संबंध में उच्च सफलता प्राप्त हो सकती है।
सहयोगी रिकमंडर सिस्टम
एक सहयोगी रिकमंडर सिस्टम उपयोगकर्ता, u, के लिए वस्तुओं की उपयोगिता का पूर्वानुमान लगाने का प्रयास करता है, जो u के समान अन्य उपयोगकर्ताओं द्वारा पहले रेट की गई वस्तुओं पर आधारित होता है। उदाहरण के लिए, पुस्तकों की सिफारिश करते समय, एक सहयोगी रिकमंडर सिस्टम कई उपयोगकर्ताओं को खोजने की कोशिश करता है जिनके पास u के साथ सहमत होने का इतिहास है। सहयोगी रिकमंडर सिस्टम मेमोरी (या ह्यूरिस्टिक) आधारित या मॉडल आधारित हो सकते हैं।
मेमोरी-आधारित विधियां
मेमोरी-आधारित विधियां उपयोगकर्ताओं द्वारा पहले रेट की गई वस्तुओं के पूरे सेट के आधार पर रेटिंग भविष्यवाणियां बनाने के लिए ह्यूरिस्टिक्स का उपयोग करती हैं। एक आइटम-उपयोगकर्ता संयोजन की अनाम रेटिंग को समान उपयोगकर्ताओं द्वारा समान वस्तु के लिए रेटिंग के कुल के रूप में गणना किया जा सकता है।
