Ottimizzazione del filtraggio collaborativo basato sull'utente

Con l'avanzamento delle tecnologie nell'era moderna, la quantità di dati che emerge da varie fonti come i siti web online, l'Internet delle cose, l'e-commerce e così via, continua ad aumentare ad un ritmo sempre più elevato. I dati disponibili sono troppi per un utente comune. Il sistema di raccomandazione si sforza quindi di fornire le informazioni giuste all'utente giusto, a portata di mano, e di semplificare le cose per gli utenti. La misura della somiglianza è considerata un passo importante per determinare l'accuratezza del sistema di raccomandazione. Un filtro collaborativo classico viene implementato utilizzando il coefficiente di correlazione di Pearson o la somiglianza di Cosine, che hanno i loro pregi e difetti. Proponiamo una misura di somiglianza migliorata applicando la metodologia basata sugli insiemi alle misure di somiglianza di base e analizziamo l'impatto di queste varie misure di somiglianza migliorate, come il coseno basato sugli insiemi, il coefficiente di correlazione di Pearson basato sugli insiemi, Spearman basato sugli insiemi e Kendall basato sugli insiemi sui sistemi di raccomandazione basati sul filtraggio collaborativo degli utenti. È stato osservato che le misure di somiglianza migliorate ottenute con le metodologie basate sugli insiemi sono più significative delle misure di base utilizzando il test di Wilcoxon.