مشکلات فیلترینگ اشتراکی

 

فیلترینگ اشتراکی علاوه بر کاربرد وسیع آن و مزایایی که از آن برخوردار است شامل معایبی نیز می­باشد که در ادامه به توضیح تعدادی از آنها می­پردازیم.

2-10-1- پراکنده بودن داده[1]

وقتی ماتریس کاربران – اقلام پراکنده و سایز آن بزرگ باشد این مشکل به وجود می­آید. کاربرانی هستند که به همه­ اقلام امتیاز نداده­اند و تنها به تعداد کمی از آنها امتیاز داده­اند. بنابراین اقلامی وجود دارند که به اندازه­ کافی امتیاز­دهی نشده­اند. در این حالت اندازه­گیری شباهت روی تعداد امتیازهای ابراز شده­ اندکی صورت می­پذیرد که قابل اعتماد نمی­باشد. یکی از مشکلاتی که به دلیل پراکنده بودن داده به وجود می­آید شروع سرد است. یعنی برای کاربری که به تازگی وارد سیستم شده و به اندازه­ کافی امتیازی به اقلام نداده است نمی­توان پیشنهاد قابل اعتمادی ارائه کرد. همچنین قلم جدیدی که وارد سیستم می­شود نیز همین مشکل را دارد. اقلامی که به اندازه کافی امتیاز دریافت نکرده­اند برای پیشنهاد قابل اعتماد نمی­باشند. به عنوان مثال Movielens برای اجتناب از بروز چنین مشکلی برای کاربران جدید شرط امتیاز دهی  به حداقل 15 قلم را در نظر گرفته است.

پژوهش­های زیادی برای رفع این مشکل انجام شده است. که بسیاری از آنها از روش­های موجود در مدل محتوا محور برای پر کردن خانه­های بدون رتبه­ ماتریس امتیازدهی استفاده می­کنند .[39,40,41,42,43]

2-10-2- مقیاس پذیری[2]

با زیاد شدن تعداد کاربران و اقلام منابع محاسباتی برای برطرف کردن درخواست­های جدید با کمبود مواجه می­شود.

                       

2-10-3- اقلام مشابه[3]

بعضی اقلام شبیه به هم هستند ولی به دلیل تفاوت در نامشان سیستم پیشنهادگر یکسان بودن آنها را نمی­تواند تشخیص دهد. بنابراین با آنها به طور متفاوت برخورد می­کند.

2-10-4- گری شیپ[4]

کاربرانی هستند که سلیقه­شان موافق یا مخالف با هیچ گروه از کاربران نمی­باشد. بنابراین سیستم پیشنهادگر فیلترینگ اشتراکی نمی­تواند هیچ منفعتی به آنها برساند.

[1] Sparsity of Data

[2] Scalability

[3] Similar tems

[4] Gray Sheep