Uma Pesquisa dos Sistemas de Recomendação Baseados em Filtragem Colaborativa: Dos Métodos Tradicionais aos Métodos Híbridos Baseados em Redes Sociais

Na era do big data, o sistema de recomendação (SR) tornou-se uma ferramenta eficaz de filtragem de informações que alivia a sobrecarga de informações para os usuários da Web. A filtragem colaborativa (FC), como uma das técnicas de recomendação mais bem-sucedidas, tem sido amplamente estudada por várias instituições de pesquisa e indústrias e tem sido aplicada na prática. A FC faz recomendações para o usuário ativo atual usando muitas informações históricas de avaliação de usuários sem analisar o conteúdo do recurso informativo. No entanto, nos últimos anos, a escassez de dados e a alta dimensionalidade trazidas pelo big data afetaram negativamente a eficiência das abordagens tradicionais de recomendação baseadas em FC. Na FC, informações contextuais, como informações de tempo e relações de confiança entre amigos, são introduzidas no SR para construir um modelo de treinamento e melhorar ainda mais a precisão da recomendação e a satisfação do usuário, e, portanto, uma variedade de algoritmos de recomendação híbridos baseados em FC emergiu. Neste artigo, revisamos e resumimos principalmente as abordagens e técnicas tradicionais baseadas em FC utilizadas no SR e estudamos algumas abordagens e técnicas de recomendação híbridas recentes baseadas em FC, incluindo os últimos algoritmos de recomendação baseados em memória híbrida e modelo híbrido. Finalmente, discutimos o impacto potencial que pode melhorar o SR e a direção futura. Neste artigo, temos como objetivo apresentar as recentes técnicas de recomendação híbridas baseadas em FC que fundem redes sociais para resolver a escassez de dados e a alta dimensionalidade e fornecer um novo ponto de vista para melhorar o desempenho do SR, apresentando assim um recurso útil nos resultados de pesquisa de ponta para futuros pesquisadores.