Comparing ranking-based collaborative filtering algorithms to a rating-based alternative in recommender systems context
Pentti Koskela · Jyväskylä University Digital Archive (University of Jyväskylä) · 2017
Suuri sisältövalikoima eri internet palveluissa, kuten verkkokaupoissa, voi aiheuttaa liian suurta informaatiomäärää, mikä heikentää asiakaskokemusta. Suosittelujärjestelmät ovat teknologioita, jotka tukevat asiakkaan päätöksentekoa tarjoamalla ennustettuja suosituksia. On yleistä, että asiakkaalle näytetään lista tuotteista, joista asiakas voisi pitää, esimerkiksi top-10 lista elokuvista. Perinteisesti nämä listat ovat tuotettu käyttäen perinteistä arvosanapohjaista menetelmää, missä tuntemattomille tuotteille ennustetaan arvosana ja järjestetty lista muodostetaan arvosanojen perusteella. Sijoitusperusteinen lähestyminen laskee käyttäjien väliset samankaltaisuudet ja ennustaa järjestetyn listan ilman välivaihetta liittyen arvosanojen laskemiseen. Erilaisia suosittelujärjestelmäalgoritmeja on julkaistu lukuisia eri käyttötarkoituksia varten. Yhteisöllisen suodatuksen kontekstissa sijoitusperusteiset menetelmät ovat yleistyneet järjestettyjen listojen tarkkuuden merkityksen kasvaessa. On olemassa useita hybridivariaatioita missä kaksi tai useampi eri suosittelujärjestelmätyyppi on yhdistetty. Näiden suorituskykyä ei voida verrata tässä tutkielmassa käytettyihin algoritmeihin johtuen niiden erilaisesta toteutustavasta. Tämä tutkielma vertaa kolmea erilaista sijoitusperusteista yhteisöllistä suosittelujärjestelmäalgoritmia keskenään, ja vertailee tuloksia perinteisen arvosanaperusteisen algoritmin kanssa. Tulokset osoittavat parannuksen ennustustarkkuudessa sijoitusperusteista algoritmia käytettäessä, verrattuna arvosanaperusteiseen algoritmiin. Lisäksi, tulokset osoittavat sijoitusperusteisten algoritmien kehityksen parannuksen viime vuosina. Pois lukien tieteelliset julkaisut, missä valitut algoritmit ovat esitelty, en löytänyt tutkielmaa, missä algoritmeja olisi vertailtu keskenään. Tarkastelin tuloksia käyttäen kahta eri arviointimenetelmää, joista Mean Average Precision on vähemmän käytetty tämänkaltaisissa tutkimuksissa.