Rekommendationssystem är program som försöker förutsäga vilka objekt ( filmer , musik , böcker , nyheter , webbplatser ) som kommer att vara av intresse för användaren, givet viss information om hans profil .
De två huvudstrategierna för att bygga rekommendationssystem är innehållsbaserad filtrering och kollaborativ filtrering [1] [2]. Innehållsbaserad filtrering skapar användar- och objektprofiler, användarprofiler kan innehålla demografisk information eller svar på en specifik uppsättning frågor, objektprofiler kan inkludera genrenamn, skådespelare, artistnamn och annan attributinformation beroende på typen av objekt. Till exempel, i Music Genome Project, betygsätter en musikanalytiker varje låt mot hundratals olika musikaliska egenskaper, som kan användas för att bestämma användarens musikaliska preferenser. Samarbetsfiltrering använder information om tidigare användarbeteende, såsom köp eller betyg. I det här fallet spelar det ingen roll vilka typer av objekt du arbetar med, men implicita egenskaper kan tas med i beräkningen, vilket skulle vara svårt att ta hänsyn till när du skapar en profil. Huvudproblemet med denna typ av rekommendationssystem är "kallstarten": bristen på data om användare eller objekt som nyligen har dykt upp i systemet.
När de fungerar samlar rekommendatorsystem in data om användare med en kombination av explicita och implicita metoder. Exempel på explicit datainsamling:
Exempel på implicit datainsamling:
Rekommendationssystem jämför samma typ av data från olika personer och beräknar en lista med rekommendationer för en viss användare. Några exempel på deras kommersiella och icke-kommersiella användning ges i artikeln om kollaborativ filtrering . För att beräkna rekommendationer används en graf över intressen [3] . Recommender-system är ett bekvämt alternativ till sökalgoritmer, eftersom de låter dig upptäcka objekt som inte kan hittas sist. Märkligt nog använder rekommendatorsystem ofta sökmotorer för att indexera ovanlig data.