কোলাবোরেটিভ ফিল্টারিং (Collaborative Filtering)
কোলাবোরেটিভ ফিল্টারিং মেমরি-ভিত্তিক রিজনিং (MBR) এর একটি ভেরিয়েন্ট যেটি পারসোনালাইজড রিকমেন্ডেশন সমর্থন করার জন্য অত্যন্ত উপযুক্ত। একটি কোলাবোরেটিভ ফিল্টারিং সিস্টেম ব্যক্তিগত পছন্দের ইতিহাস দিয়ে শুরু করে। দূরত্ব ফাংশন সাদৃশ্য নির্ধারণ করে পছন্দের ওভারল্যাপের ওপর ভিত্তি করে - যারা একই জিনিস পছন্দ করে তারা একে অপরের কাছে নিকট।
আরো, ভোটগুলো দূরত্ব দ্বারা ওজনিত হয়, তাই নিকটবর্তী নেইবরদের ভোট রিকমেন্ডেশনের জন্য বেশি গণ্য হয়। অন্য কথায়, এটি একটি পদ্ধতি যাতে কেউ কেউ 음악, বই, ওয়াইন, বা অন্য কিছু যেটি একটি নির্দিষ্ট ব্যক্তির বর্তমান পছন্দের সাথে ফিট করে সেটি আবিষ্কার করতে পারে একটি পিয়ার গ্রুপের বিচার ব্যবহার করে যাদের সমান স্বাদের জন্য নির্বাচন করা হয়েছে। এই পদ্ধতিকে সোশ্যাল ইনফরমেশন ফিল্টারিং বলা হয়।
কোলাবোরেটিভ ফিল্টারিং ওয়ার্ড-অফ-মাউথ ব্যবহার করার প্রক্রিয়াকে অটোমেট করে যাতে কেউ কিছু পছন্দ করবে কিনা তা নির্ধারণ করতে পারে। জানা যে অনেক লোক কিছু পছন্দ করেছেন তা পর্যাপ্ত নয়। সবাই কিছু রিকমেন্ডেশন অন্যদের চেয়ে বেশি গুরুত্ব দেয়। একটি কাছের বন্ধুর রিকমেন্ডেশন যাদের পূর্বের রিকমেন্ডেশন টার্গেটে সঠিক ছিল, সেটি আপনাকে একটি নতুন সিনেমা দেখতে বাধ্য করতে পারে এমনকি যদি সেটি একটি জ্যানরে থাকে যা আপনি সাধারণত নাপছন্দ করেন।
নতুন ব্যবহারকারীর জন্য রিকমেন্ডেশন প্রস্তুত করার তিনটি ধাপ
নতুন কাস্টমারকে কিছু আইটেম রেট করতে বলা (যেমন সিনেমা, গান, বা রেস্তোরাঁ) দিয়ে একটি ইউজার প্রোফাইল তৈরি করা।
নতুন ইউজারের প্রোফাইল অন্য ইউজারদের প্রোফাইলের সাথে কিছু সাদৃশ্য মাপ ব্যবহার করে তুলনা করা।
সমান প্রোফাইল 가진 ইউজারদের রেটিংয়ের কিছু কম্বিনেশন ব্যবহার করে নয়া ইউজার যেসব আইটেম এখনও রেট করেনি সেসবের রেটিং পূর্বাভাস দেওয়া।
চ্যালেঞ্জ: স্পার্স প্রোফাইল (Sparse Profiles)
কোলাবোরেটিভ ফিল্টারিং-এর একটি চ্যালেঞ্জ হল রেট করার জন্য আইটেমের পরিমাণে অনেক বেশি আছে যে কোনো একক ব্যক্তি অভিজ্ঞতা লাভ করতে পারে বা রেট করার ইচ্ছুক। অর্থাৎ, প্রোফাইলগুলো সাধারণত স্পার্স, অর্থাৎ ব্যবহারকারীদের পছন্দে কম ওভারল্যাপ থাকে রিকমেন্ডেশন তৈরি করার জন্য। একটি কাস্টমার প্রোফাইলকে একটি ভেক্টর হিসেবে চিন্তা করুন যার প্রতি আইটেমের জন্য একটি কম্পোনেন্ট আছে যাকে রেট করা যেতে পারে। ভেক্টরের প্রতিটি এলিমেন্ট প্রোফাইল মালিকের সংশ্লিষ্ট আইটেমের জন্য রেটিং সংজ্ঞায়িত করে -৫ থেকে ৫ স্কেলে, ০ নিরপেক্ষতা নির্দেশ করে এবং খালি মান কোনো মতামত নেই জন্য।
যদি ভেক্টরে হাজার হাজার কম্পোনেন্ট থাকে এবং প্রতিটি ব্যবহারকারী সেসব থেকে কোনগুলো রেট করবে সেটি বেছে নেয়, তখন যেকোনো দুটি ব্যবহারকারীর প্রোফাইল সম্ভবত কম ওভারল্যাপ দিয়ে শেষ হবে। অন্যভাবে বললে, ব্যবহারকারীদের একটি নির্দিষ্ট সাবসেট রেট করতে বাধ্য করলে আকর্ষণীয় তথ্য মিস হতে পারে কারণ অপ্রচলিত আইটেমের রেটিং জনপ্রিয় আইটেমের রেটিং চেয়ে ব্যবহারকারীর সম্পর্কে আরও অনেক কিছু বলতে পারে।
