সহযোগিতামূলক ফিল্টারিং হল মেমরি-ভিত্তিক যুক্তির একটি ভিন্ন যা বিশেষ করে সমর্থনকারী ব্যক্তিগতকৃত সুপারিশগুলির প্রয়োগের জন্য উপযুক্ত। একটি সহযোগী ফিল্টারিং সিস্টেম ব্যক্তির পছন্দের ইতিহাস দিয়ে শুরু হয়। দূরত্ব ফাংশন সাদৃশ্য নির্ধারণ করে যারা একই জিনিস পছন্দ করেন তাদের পছন্দের ওভারল্যাপের উপর নির্ভর করে।
উপরন্তু, ভোট দূরত্ব দ্বারা ওজন করা হয়, তাই নিকটবর্তী প্রতিবেশীদের ভোট অনুমোদনের জন্য বেশি গণনা করা হয়। অন্য পদে, এটি সঙ্গীত, বই, ওয়াইন বা অন্য কাউকে আবিষ্কার করার জন্য একটি পদ্ধতি যা একটি নির্দিষ্ট ব্যক্তির বর্তমান পছন্দগুলির সাথে খাপ খায় যা একটি সমকক্ষ গোষ্ঠীর রায় ব্যবহার করে তাদের একই স্বাদের জন্য বেছে নেয়। এই পদ্ধতিটি সামাজিক তথ্য ফিল্টারিং নামে পরিচিত।
সহযোগিতামূলক ফিল্টারিং তারা কিছু পছন্দ করতে পারে কিনা তা নির্ধারণ করতে মুখের কথা ব্যবহার করার পদ্ধতিকে স্বয়ংক্রিয় করে। বেশ কিছু লোক কিছু পছন্দ করেছে তা জানা যথেষ্ট নয়। প্রত্যেকে অন্যদের তুলনায় কিছু সুপারিশকে বেশি গুরুত্ব দেয়। একজন ঘনিষ্ঠ বন্ধুর সুপারিশ যার পূর্ববর্তী সুপারিশগুলি ফোকাসের উপর সঠিক ছিল তা আপনাকে একটি নতুন সিনেমা দেখার জন্য গ্রহণ করার জন্য যথেষ্ট হতে পারে যদিও এটি একটি ঘরানার হয় যদিও এটি সাধারণত অপছন্দ করতে পারে।
একটি স্বয়ংক্রিয় সহযোগিতামূলক ফিল্টারিং সিস্টেম ব্যবহার করে নতুন ব্যবহারকারীদের জন্য সুপারিশ প্রস্তুত করার তিনটি ধাপ রয়েছে যা নিম্নরূপ -
-
এটি সিনেমা, গান বা রেস্তোরাঁ সহ আইটেমগুলির একটি নির্বাচনকে রেট দেওয়ার জন্য নতুন গ্রাহককে গ্রহণ করার মাধ্যমে একটি ব্যবহারকারীর প্রোফাইল তৈরি করতে পারে৷
-
এটি কিছু সাদৃশ্য ব্যবহার করে অন্যান্য ব্যবহারকারীদের প্রোফাইলের সাথে নতুন ব্যবহারকারীর প্রোফাইলের তুলনা করা যেতে পারে।
-
এটি একই প্রোফাইল সহ ব্যবহারকারীদের রেটিংগুলির কিছু সংমিশ্রণ ব্যবহার করে রেটিং পূর্বাভাস দিতে পারে যা নতুন ব্যবহারকারীরা যে আইটেমগুলিকে এটি এখনও রেট দেয়নি সেগুলি প্রদান করতে পারে৷
সহযোগিতামূলক ফিল্টারিংয়ের সাথে একটি চ্যালেঞ্জ হল যে কোনও ব্যক্তি যে সম্পন্ন করেছে বা রেট দিতে ইচ্ছুক তার চেয়ে অনেক বেশি আইটেম রেট দেওয়া আছে। অর্থাৎ, প্রোফাইলগুলি সাধারণত বিক্ষিপ্ত হয়, এটি সংজ্ঞায়িত করে যে সুপারিশ তৈরি করার জন্য ব্যবহারকারীদের পছন্দগুলির মধ্যে সামান্য ওভারল্যাপ আছে। রেট করা উপাদানগুলির মহাবিশ্বে আইটেম প্রতি একটি উপাদান সহ একটি ভেক্টর হিসাবে একটি গ্রাহক প্রোফাইলের কথা ভাবুন৷ ভেক্টরের প্রতিটি উপাদান -5 থেকে 5 স্কেলে সংশ্লিষ্ট উপাদানের জন্য প্রোফাইল মালিকের রেটিং সংজ্ঞায়িত করে 0 সহ নিরপেক্ষতা এবং কোন মতামতের জন্য খালি মান নির্দেশ করে৷
যদি ভেক্টরে হাজার হাজার উপাদান থাকে এবং প্রতিটি ব্যবহারকারী সিদ্ধান্ত নেয় কোনটিকে রেট দিতে হবে, যে কোনো দুটি ব্যবহারকারীর প্রোফাইলে কিছু ওভারল্যাপ হওয়ার সম্ভাবনা রয়েছে। অন্য শর্তে, ব্যবহারকারীদের একটি নির্দিষ্ট উপসেটকে রেট দিতে বাধ্য করা আকর্ষণীয় ডেটা মিস করতে পারে কারণ আরও অস্পষ্ট উপাদানের রেটিংগুলি সাধারণের রেটিংগুলির চেয়ে ব্যবহারকারীদের সম্পর্কে বেশি বলতে পারে৷
