سامانه پیشنهاددهنده ترکیبی با کمک واریانس رتبه بندی اقلام

مدل نزدیک ترین همسایگی (KNN) و سامانه های توصیه گر مبتنی بر این مدل (KRS) از موفق ترین سامانه های توصیه گر در حال حاضر در دسترس هستند. این روش ها شامل پیش بینی رتبه بندی یک آیتم بر اساس میانگین رتبه بندی آیتم های مشابه است. میانگین رتبه بندی آیتم های مشابه، با در نظر گرفتن تشابه تعریف شده، میانگین امتیازی را به هر آیتم، به عنوان ویژگی به آن خواهد داد. در این مقاله KRS ایجاد شده با ترکیب رویکردهای زیر ارایه شده است: (الف) استفاده از میانگین و واریانس رتبه بندی اقلام به عنوان ویژگی های آیتم، برای یافتن موارد مشابه در (IKRS)؛ (ب) استفاده از میانگین و واریانس رتبه بندی کاربر به عنوان ویژگی های کاربر برای یافتن کاربران مشابه با KRS کاربرپسند (UKRS)؛ (ج) استفاده از میانگین وزنی برای تلفیق رتبه بندی کاربران/آیتم های همسایه. (د) استفاده از یادگیری جمعی. سه روش پیشنهادی EVMBR، EWVMBR و EWVMBR-G در این مقاله پیشنهاد داده شده است. هر سه روش مبتنی بر کاربر بوده، که در آن ها از فاصله VM  به عنوان معیار تفاوت بین کاربران/آیتم ها، برای یافتن کاربران/آیتم های همسایه استفاده و سپس به ترتیب از میانگین غیروزنی، وزنی و وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین، برای پیش بینی رتبه بندی کاربر ناشناخته استفاده می شوند. هر سه روش مبتنی بر کاربر بوده، که در آن ها از فاصله VM  به عنوان معیار تفاوت بین کاربران/آیتم ها، برای یافتن کاربران/آیتم های همسایه استفاده و سپس میانگین به ترتیب از میانگین غیروزنی، وزنی، وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین رتبه بندی، برای پیش بینی رتبه بندی کاربر ناشناخته استفاده می شوند. ارزیابی های تجربی نشان می دهد که سه روش پیشنهادی EVMBR، EWVMBR و EWVMBR-G، که از یادگیری جمعی استفاده می کند، دقیق ترین روش در بین روش های ارزیابی شده است. بسته به مجموعه داده، روش پیشنهادی EWVMBR-G موفق به دست یابی به بیست تا سی درصد خطای مطلق کمتر از MBR اصلی شده است. از نظر زمان اجرا، روش های پیشنهادی قابل مقایسه با MBR و بسیار سریع تر از روش slope-one و روش های توصیه گر KNN مبتنی بر کسینوس یا پیرسون هستند.