การกรองการทำงานร่วมกันคืออะไร?

การกรองการทำงานร่วมกันเป็นการใช้เหตุผลตามหน่วยความจำที่แตกต่างกันโดยเฉพาะอย่างยิ่งที่เหมาะสมอย่างยิ่งกับการประยุกต์ใช้การสนับสนุนคำแนะนำส่วนบุคคล ระบบการกรองการทำงานร่วมกันเริ่มต้นด้วยประวัติความชอบของบุคคล ฟังก์ชันระยะทางตัดสินความคล้ายคลึงกันขึ้นอยู่กับความชอบของคนที่ชอบสิ่งเดียวกันอยู่ใกล้กัน

นอกจากนี้ โหวตจะถ่วงน้ำหนักตามระยะทาง ดังนั้นคะแนนโหวตของเพื่อนบ้านที่ใกล้ชิดจึงนับคะแนนเสียงมากขึ้นสำหรับการรับรอง ในอีกแง่หนึ่ง เป็นแนวทางในการค้นหาดนตรี หนังสือ ไวน์ หรือบุคคลอื่นที่เข้ากับความชอบในปัจจุบันของบุคคลใดบุคคลหนึ่งโดยใช้การตัดสินของกลุ่มเพื่อนในกลุ่มเดียวกันที่เลือกรสนิยมเดียวกัน วิธีนี้เรียกว่าการกรองข้อมูลทางสังคม

การกรองแบบร่วมมือจะทำให้ขั้นตอนของการใช้คำพูดแบบปากต่อปากเป็นไปโดยอัตโนมัติเพื่อตัดสินว่าพวกเขาชอบอะไรบางอย่างหรือไม่ การรู้ว่าหลายคนชอบบางสิ่งบางอย่างไม่เพียงพอ ทุกคนให้ความสำคัญกับคำแนะนำบางอย่างมากกว่าคำแนะนำอื่นๆ คำแนะนำจากเพื่อนสนิทที่เน้นการแนะนำก่อนหน้านี้ก็เพียงพอแล้วที่จะทำให้คุณไปดูหนังเรื่องใหม่ได้ แม้ว่าจะอยู่ในประเภทที่ไม่ชอบก็ตาม

การเตรียมคำแนะนำสำหรับผู้ใช้ใหม่โดยใช้ระบบกรองการทำงานร่วมกันแบบอัตโนมัติมีสามขั้นตอนดังต่อไปนี้ -

• สามารถสร้างโปรไฟล์ผู้ใช้ได้โดยการรับลูกค้าใหม่เพื่อให้คะแนนรายการที่เลือก รวมทั้งภาพยนตร์ เพลง หรือร้านอาหาร

• สามารถเปรียบเทียบโปรไฟล์ผู้ใช้ใหม่กับโปรไฟล์ของผู้ใช้รายอื่นโดยใช้การวัดความคล้ายคลึงกัน

• สามารถใช้การให้คะแนนของผู้ใช้ที่มีโปรไฟล์เดียวกันร่วมกันเพื่อคาดการณ์การให้คะแนนที่ผู้ใช้ใหม่สามารถมอบให้กับรายการที่ยังไม่ได้ให้คะแนน

ความท้าทายประการหนึ่งในการกรองการทำงานร่วมกันคือมีรายการที่จะให้คะแนนมากกว่าที่บุคคลหนึ่งน่าจะทำสำเร็จหรือเต็มใจที่จะให้คะแนน กล่าวคือ โปรไฟล์โดยทั่วไปจะเบาบาง ซึ่งกำหนดว่าการตั้งค่าของผู้ใช้ในการสร้างคำแนะนำมีความทับซ้อนกันเล็กน้อย คิดว่าโปรไฟล์ลูกค้าเป็นเวกเตอร์ที่มีหนึ่งองค์ประกอบต่อรายการในจักรวาลขององค์ประกอบที่จะได้รับการจัดอันดับ องค์ประกอบของเวกเตอร์แต่ละองค์ประกอบกำหนดคะแนนของเจ้าของโปรไฟล์สำหรับองค์ประกอบที่เกี่ยวข้องในระดับ –5 ถึง 5 โดยมีค่า 0 แสดงถึงความเป็นกลางและค่าว่างสำหรับการไม่มีความคิดเห็น

หากมีองค์ประกอบนับพันในเวกเตอร์ และผู้ใช้แต่ละคนตัดสินใจว่าจะให้คะแนนองค์ประกอบใด โปรไฟล์ของผู้ใช้สองคนใด ๆ ก็มักจะจบลงด้วยการทับซ้อนกันบางส่วน ในอีกแง่หนึ่ง การบังคับให้ผู้ใช้ให้คะแนนชุดย่อยที่เจาะจงอาจพลาดข้อมูลที่น่าสนใจ เนื่องจากการจัดประเภทองค์ประกอบที่คลุมเครืออาจบอกถึงผู้ใช้มากกว่าการให้คะแนนทั่วไป