كاربرد تجزيه‌هاي ماتريسي در سامانه‌‌هاي پيشنهادگر

با توجه به انبوه‌ اطلاعات در شبكۀ جهاني اينترنت، وجود سامانه‌‌هاي پيشنهادگر كه كالاها را به‌شكل خودكار و هوشمندانه به كاربران پيشنهاد دهند، كاملاً ضروري به ‌نظر مي‌رسد. يكي از چالش‌هاي مطرح در اين نوع سامانه‌ها، تُنكي ماتريس كاربر-كالا است كه باعث مي‌شود سامانه نتواند پيشنهاد مناسبي به كاربر ارائه دهد و درنتيجه كارايي آن كاهش پيدا مي‌كند. الگوريتم پيشنهادي ما براي رفع اين مشكل، تركيب پالايش مشاركتي مبتني‌بر حافظه و پالايش مشاركتي مبتني‌بر مدل است. براي اين منظور از روش‌هاي كاهش بُعد استفاده مي‌‌كنيم كه از طريق فشرده‌سازي ماتريس‌ها تقريبي كم‌رتبه از آن به دست مي‌دهد و علاوه‌بر تشخيص داده‌هاي كم‌اهميت و حذف آن‌ها، ساختار داخلي داده‌ها نيز بهتر مشخص مي‌شود. به همين دليل، روش‌هاي تجزيۀ مقدار تكين SVD  و تجزيۀ نيمه‌گسسته‎ SDD را مورد بررسي قرار مي‌دهيم و نتايج حاصل را مقايسه مي‌كنيم. نتايج به‌دست آمده نشان مي‌دهد كه هرچند ‎كمترين خطا را دارد، ولي  با خطايي نزديك به ‎SVD   از نظر زمان اجرا و به‌ويژه حافظهٔ موردنياز به‌صرفه‌تر است.