Optimierung des benutzerbasierten kollaborativen Filterns

Mit der Weiterentwicklung der Technologien in der heutigen Zeit nimmt die Menge der Daten, die aus verschiedenen Quellen wie Online-Websites, Internet der Dinge, E-Commerce usw. stammen, immer mehr zu. Die verfügbaren Daten sind für einen normalen Benutzer nicht mehr zu bewältigen. Daher bemüht sich das Empfehlungssystem darum, dem richtigen Benutzer die richtigen Informationen direkt vor seiner Haustür zur Verfügung zu stellen und macht es dem Benutzer leicht. Das Ähnlichkeitsmaß wird als wichtiger Schritt zur Bestimmung der Genauigkeit des Empfehlungssystems angesehen. Ein klassisches kollaboratives Filtersystem wird entweder mit Hilfe des Pearson-Korrelationskoeffizienten oder der Cosinus-Ähnlichkeit implementiert, die ihre eigenen Vorzüge und Mängel haben. Wir schlagen ein erweitertes Ähnlichkeitsmaß vor, indem wir die mengenbasierte Methodik auf grundlegende Ähnlichkeitsmaße anwenden und die Auswirkungen dieser verschiedenen erweiterten Ähnlichkeitsmaße wie mengenbasierter Cosinus, mengenbasierter Pearson-Korrelationskoeffizient, mengenbasierter Spearman und mengenbasierter Kendall auf die benutzerbasierten kollaborativen Filtersysteme analysieren. Es wurde festgestellt, dass die erweiterten Ähnlichkeitsmaße, die durch mengenbasierte Methoden erhalten wurden, signifikanter waren als die grundlegenden Maße unter Verwendung des Wilcoxon-Tests.

Autorentext

A Sra. K. V. Uma trabalha como professora assistente no Departamento de Tecnologia da Informação, Thiagarajar College of Engineering, Madurai, Tamil Nadu, Índia. Ela está a fazer investigação na área de Data Mining. Publicou mais de 20 artigos em revistas e conferências na área de Data Mining, especificamente na área de Classificação.