Կոլլաբորատիվ ֆիլտրացիա

Կոլլաբորատիվ ֆիլտրացիան (անգլ.՝ collaborative filtering) առաջարկման համակարգերի մարտավարություններից ամենատարածվածն է^[1]։

Կոլլաբորատիվ ֆիլտրացիայի միջոցով կանխագուշակվում են օգտատիրոջ հետաքրքրությունները՝ տվյալներ հավաքելով մեծաքանակ օգտատերերի նախընտրությունների և ճաշակների մասին։ Այս մեթոդի հիմքում ընկած է այն ենթադրությունը, որ, եթե Ա մարդը Բ մարդու հետ կիսում է նույն կարծիքը որևէ հարցի շուրջ, ավելի հավանական է, որ այլ հարցի վերաբերյալ Ա-ն իր կարծիքը կկիսի Բ-ի,և ոչ պատահական ընտրված այլ մարդու հետ։ Օրինակ` ֆիլմերի առաջարկման համակարգը կարող է կանխաագուշակում իրականացնել նրա մասին, թե ինչ ֆիլմ կհավանի տվյալ օգտատերը՝ հիմնվելով նախկինում վերջինիս հավանած և չհավանած ֆիլմերի ցուցակի վրա^[2]։

Ավելի լայն իմաստով, կոլլաբորատիվ ֆիլտրացիան ինֆորմացիան ֆիլտրելու և օրինաչափություններ գտնելու գործընթացն է։

Նկարագրություն խմբագրել

Տեղեկատվական դարաշրջանում շատ կարևոր է անհրաժեշտ ինֆորմացիայի արդյունավետ դուրս բերումը ամբողջ հնարավոր թվային տեղեկատվությունից, ինչպես նաև անհատականացված առաջարկություններ անելու մեթոդներ ստեղծելը, քանի որ նույնիսկ նույն կատեգորիայում (ինչպես ֆիլմեր, երգեր, գրքեր, նորություններ) օբյեկտների քանակն այնքան մեծ է, որ առանձին մարդն ի վիճակի չէ դիտարկել դրանք բոլորը։

Կոլլաբորատիվ ֆիլտրացիայի համակարգերը սովորաբար գործածում են հետևյալ սխեման^[3]՝

Օգտատերն արտահայտում է իր նախընտրությունները գնահատելով համակարգի տարրերը (գրքեր, ֆիլմեր, երգեր և այլն)։ Այս գնահատականները կարող են դիտարկվել որպես օգտատիրոջ համապատասխան ոլորտում հետաքրքրությունների մոտավոր ներկայացումներ։
Համակարգը գտնում է տվյալ օգտատիրոջ գնահատակններին նման գնահատականներով այլ օգտատերերի։
Նման օգտատերերի միջոցով, համակարգը տվյալ օգտատիրոջն առաջարկում է այն տարրերը, որոնք բարձր են գնահատվել նման հետաքրքրություններ ունեցող օգտատերերի, բայց ոչ իր կողմից (գնահատականի բացակայությունը սովորաբար ընդունվում է որպես տարրին անծանոթ լինելու նշան)։

Կա նաև կոլլաբորատիվ ֆիլտրացիայի մեկ այլ ձև, որը հիմնված է օգտատերերի սովորական վարքագծի գաղտնի դիտարկման վրա (ի տարբերություն բացահայտ դիտարկումների, երբ հավաքվում են օգտատերերի գնահատականները)։ Այս համակարգերում դիտարկվում է այն, թե ինչպես է գործել տվյալ օգտատերը, և ինչպես՝ մյուսները (ինչ երաժշտություն են լսել, ինչ տեսանյութեր են դիտել, ինչ ապրանքներ են գնել) և ձեռք բերված տվյալները օգտագործում են ապագայում օգտագործողների վարքագիծը կանխատեսելու համար։ Այս կանխատեսումները պետք է արվեն համաձայն բիզնես տրամաբանության, քանի որ, օրինակ, անիմաստ է ինչ-որ մեկին առաջարկել գնել մի ապրանք, որը, արդեն հայտնիէ, որ նա ունի։

Կոլլաբորատիվ ֆիլտրացիայի տիպերը խմբագրել

Գոյություն ունի 2 հիմնական մեթոդ, որոնք օգտագործվում են առաջարկման համակարգեր ստեղծելու համար `կոլլաբորատիվ ֆիլտրացիա և կոնտենտի վրա հիմնված առաջարկություններ։ Բացի այդ, գործնականում կիրառվում է նաև առաջարկներ կառուցելու հիբրիդային մեթոդը, որը իրենից ներկայացնում է վերը նշված մեթոդների խառնուրդը։ Կոլլաբորատիվ ֆիլտրացիան, իր հերթին, նույնպես բաժանված է 3 հիմնական մոտեցումների (տիպերի)^[4]՝

Հարևանության վրա հիմնված
Մոդելի վրա հիմնված
Հիբրիդային

Կիրառումը սոցիալական ցանցերում խմբագրել

Կոլլաբորատիվ ֆիլտրացիա կիրառող սոցիալական ցանցերում կարող են լինել շատ օգտատերեր, և կոնտենտը բարելավվում է մասնակիցների թվի աճին զուգահեռ։ Ծառայություններ, ինչպիսիք են YouTube և Reddit, կոլլաբորատիվ ֆիլտրացիայի գործածման տիպիկ օրինակներ են։

Վիկիպեդիան մեկ այլ օրինակ է, որտեղ տարրերը ֆիլտրվում են այս մեթոդի միջոցով։

ВКонтакте-ն և Ֆեյսբուքը օգտագործում են կոլլաբորատիվ ֆիլտրացիա `«խելացի լրահոսի» հետ աշխատելու համար, որտեղ գրառումները ձևավորվում են ոչ թե դրանց հրապարակման ժամանակագրական հաջորդականությամբ, այլ կախված օգտատիրոջ հետաքրքրվածության աստիճանից^[5]։

Կիրառման մյուս ձևը կայանում է օգտատիրոջ համար անհատականացված առաջարկությունների ստեղծման մեջ, նախկինում նրա ակտիվության և նախընտրությունների, ինչպես նաև նման հետաքրքրություններ ունեցող այլ օգտատերերի նախընտրությունների հիման վրա։ Այս աղբյուրները թույլ են տալիս կոնտենտ առաջարկել օգտատեր-առ-օգտատեր։ Որքան ավելի շատ է օգտատերը կիրառում տվյալ համակարգը, այդքան ավելի ճշգրիտ են դառնում նրա համար կատարված առաջարկները, քանի որ այն ավելի շատ տվյալ է ստանում։ Այս մեթոդի կիրառման վառ օրինակներ են Amazon-ը^[6], Last.fm-ը և Spotify-ը^[7]։

Խնդիրներ խմբագրել

Համատեղ ֆիլտրման համակարգը միշտ չէ, որ հաջողվում է կոնտենտը ավտոմատ համապատասխանեցնել նախասիրություններին։ Եթե հարթակը չհասնի անսովոր բարձր մակարդակի բազմազանության և կարծիքների անկախության, որևէ համայնքում մի տեսակետը միշտ կգերակայի մյուսի նկատմամբ։ Ինչ վերաբերում է անհատականացված առաջարկությունների սցենարին, նոր օգտատերերի մուտքը կամ նոր տարրերի ներդրումը կարող է առաջացնել «սառը մեկնարկի» խնդիր, քանի որ վերջիններիս վերաբերյալ բավարար տվյալներ չեն լինի կոլլաբորատիվ ֆիլտրացիայի ճշգրիտ աշխատանքի համար։ Նոր օգտատիրոջը համապատասխան առաջարկություններ անելու համար համակարգը նախ պետք է «սովորի» նրա նախասիրությունները` վերլուծելով անցած գնահատման գործողությունները։

Համատեղ ֆիլտրացիայի համակարգը պահանջում է զգալի թվով օգտատերերի գնահատականներ նոր տարրի մասին, նախքան այն առաջարկվելը այլ օգտատերերի։

Ծանոթագրություններ խմբագրել

Գրականություն խմբագրել

Xiaogang Ma, Ashrf Althbiti, Collaborative Filtering, 2019։
Emmanuel Viennet,The Anh Dang, Collaborative filtering in social networks:, 2013։
Carmen De Maio, G.Fenza, M.Gallo, V.Loia, Social media marketing through time‐aware collaborative filtering, 2017։
F.Ricci, L.Rokach, B.Shapira, Recommender Systems Handbook, 2010։
Badreesh Shetty An In-Depth Guide to How Recommender Systems Work.
Pitamber Adhikari, Renuka Sharma, [http://www.jcreview.com/fulltext/197-1593723119.pdf Social Network Recommender System Based on

Collaborative Filtering Techniques], 2020։

Արտաքին հղումներ խմբագրել

Context-Aware Recommender Systems
Netflix Prize լավագույն առաջարկման ալգորիթմի մրցույթ Արխիվացված 2006-12-10 Wayback Machine
Guy Shani, Asela Gunawardana, Evaluating Recommendation Systems, 2011։
M.Hajrer, A.Töscher, R. Legenstein Combining predictions for accurate recommender systems.
Deep Learning Based Recommender System: A Survey and New Perspectives
Quellen: Recommender Systeme.

[1] «Collaborative Filtering Based Recommendation System».

[2] «Movie Recommender System Using Collaborative Filtering».

[3] «Collaborative filtering using user and item similarities».

[4] «Collaborative Filtering․ Types of recommender systems».

[5] «Коллаборативная фильтрация простыми словами».

[6] «How Recommender Systems Work (Netflix/Amazon)».

[7] «How Spotify Recommends Your New Favorite Artist».

[1]

[2]

[3]

[4]

[5]

[6]

[7]