बेजियन नॉन-नेगेटिव मैट्रिक्स फैक्टराइजेशन का उपयोग करके सिफारिश प्रणाली क्लस्टरिंग

सिफारिश प्रणाली अपने रेटिंग मैट्रिक्स में उच्च स्तर की विरलता प्रस्तुत करती हैं। सहयोगात्मक फ़िल्टरिंग के विरल डेटा के कारण: 1) स्मृति-आधारित समाधानों का उपयोग करके तत्वों की तुलना करना कठिन होता है; 2) मॉडल-आधारित समाधानों का उपयोग करके सटीक मॉडल प्राप्त करना मुश्किल होता है; 3) सटीक पूर्वानुमान प्राप्त करना कठिन होता है; और 4) तत्वों को ठीक से क्लस्टर करना कठिन होता है। हम सहयोगात्मक फ़िल्टरिंग क्षेत्र में वर्तमान क्लस्टरिंग परिणामों में सुधार के लिए बेजियन नॉन-नेगेटिव मैट्रिक्स फैक्टराइजेशन (BNMF) विधि के उपयोग का प्रस्ताव करते हैं। हम प्रस्तावित प्रायिकता विधि के लिए एक मूल पूर्व-क्लस्टरिंग एल्गोरिदम भी प्रदान करते हैं। कई ओपन डेटा सेट का उपयोग करके प्राप्त परिणाम दर्शाते हैं: 1) BNMF का उपयोग करने पर अधिकांश क्लासिकल मैट्रिक्स फैक्टराइजेशन या सुधारित KMeans परिणामों की तुलना में एक निर्णायक क्लस्टरिंग गुणवत्ता सुधार; 2) सुधारित KMeans की तुलना में मैट्रिक्स फैक्टराइजेशन-आधारित विधियों का उपयोग करके अधिक पूर्वानुमान सटीकता; और 3) क्लासिकल मैट्रिक्स फैक्टराइजेशन की तुलना में बेहतर BNMF निष्पादन समय, और प्रस्तावित पूर्व-क्लस्टरिंग एल्गोरिदम के उपयोग पर एक अतिरिक्त सुधार।