Key points are not available for this paper at this time.
تم تصميم أنظمة التوصيات للاقتراح بالعناصر للشراء أو الفحص بناءً على تفضيلات المستخدمين. في مجموعة متنوعة من الصناعات، مثل التجارة الإلكترونية، والسياحة، ووسائل التواصل الاجتماعي، وما إلى ذلك، يتم استخدام هذه الأنظمة بشكل متكرر. ومع ذلك، فإن لديها بعض الحدود بسبب الكمية الهائلة من البيانات التي تستخدمها. لتعزيز جودة الاقتراح، أصبحت نماذج التعلم الاصطناعي شائعة في هذا المجال، إلى جانب تقنيات تصفية البيانات. في هذه الدراسة، تم تقديم تقسيم المستخدمين كونه تقنية لتصفية البيانات تشبه نموذج Recency-Frequency-Monetary المعروف بهدف دراسة كيفية تأثير استخدام البيانات المقسمة على دقة ودرجة توصيات التي تنتجها خوارزميات مختلفة. تم إجراء التجارب مع ثمانية أساليب مختلفة، بدءًا من الأساليب القائمة على الشعبية إلى أحدث وأرقى طرق الشبكات العصبية البيانية. تظهر نتائج التحليل المقارن أن أداء التوصيات يعتمد ليس فقط على تقسيم المستخدمين ولكن أيضًا على عوامل أخرى من الطريقة المختارة أو مجموعة البيانات. ومع ذلك، يمكن أن يحسن تقسيم المستخدمين أداء بعض الخوارزميات.
درس إردم وآخرون (Sun) هذا السؤال.