Key points are not available for this paper at this time.
As plataformas de leitura digital cresceram rapidamente, aumentando a sobrecarga de informações e destacando a necessidade de sistemas de recomendação eficientes e transparentes. Este estudo apresenta uma estrutura híbrida escalável que combina aprendizado de regras de associação multímétricas (ARL) com estratégias de filtragem inteligente para fornecer recomendações claras e de alta qualidade de livros em larga escala. Ao contrário dos recomendadores tradicionais baseados em ARL que dependem de uma única métrica ou pequenos conjuntos de dados, nossa abordagem combina medidas de suporte, confiança e lift para identificar padrões comportamentais fortes, mantendo a eficiência computacional. A estrutura utiliza estratégias de redução de dados que selecionam usuários ativos e itens de alto impacto, transformando uma matriz de classificações escassa em uma representação densa e computacionalmente tratável. Experimentos extensivos em um conjunto de dados do mundo real demonstraram que nosso método supera significativamente a filtragem colaborativa, modelos neurais e referências de mineração de regras em precisão, recall e ganho acumulado descontado normalizado (NDCG). As regras resultantes são inerentemente interpretáveis, permitindo explicações claras para as recomendações, o que é uma característica crítica dos sistemas personalizados modernos. Este estudo demonstra que o ARL continua viável quando projetado com as restrições de escalabilidade modernas em mente, fornecendo uma solução explicável e eficiente para bibliotecas digitais, plataformas online e sistemas de recomendação em larga escala.
Hidri et al. (Ter,) estudaram esta questão.