সুপারিশকারী সিস্টেমগুলি একটি বিষয়বস্তু-ভিত্তিক পদ্ধতি, একটি সহযোগিতামূলক পদ্ধতি বা একটি হাইব্রিড পদ্ধতি ব্যবহার করতে পারে যা সামগ্রী-ভিত্তিক এবং সহযোগিতামূলক উভয় পদ্ধতিকে একত্রিত করে৷
সামগ্রী-ভিত্তিক - বিষয়বস্তু-ভিত্তিক পদ্ধতিতে এমন আইটেমগুলির সুপারিশ করা হয় যা গ্রাহকের পছন্দ বা পূর্বে জিজ্ঞাসা করা আইটেমের সাথে একই। এটি পণ্য বৈশিষ্ট্য এবং পাঠ্য আইটেম সংজ্ঞা উপর নির্ভর করে.
বিষয়বস্তু-ভিত্তিক পদ্ধতিতে, এটি একই ব্যবহারকারীর দ্বারা অভিন্ন বিভিন্ন আইটেমের জন্য নির্ধারিত ইউটিলিটিগুলির উপর ভিত্তি করে গণনা করা হয়। অনেক সিস্টেম ওয়েবসাইট, নিবন্ধ এবং সংবাদ বার্তা সহ পাঠ্য ডেটা সহ আইটেম সুপারিশ করার লক্ষ্য করে। তারা আইটেম মধ্যে সাধারণতা জন্য দেখতে. সিনেমার জন্য, তারা একই ঘরানার, পরিচালক বা অভিনেতাদের জন্য দেখতে পারে।
নিবন্ধগুলির জন্য, তারা একই শর্তাবলীর জন্য দেখতে পারে। বিষয়বস্তু-ভিত্তিক পন্থাগুলি ডেটা তত্ত্বের মধ্যে নিহিত। তারা কীওয়ার্ড ব্যবহার করে (আইটেমগুলি সংজ্ঞায়িত করে) এবং গ্রাহক প্রোফাইল যা ব্যবহারকারীদের স্বাদ এবং প্রয়োজনীয়তা সম্পর্কে ডেটা অন্তর্ভুক্ত করে। এই ধরনের প্রোফাইলগুলি স্পষ্টভাবে প্রাপ্ত করা যেতে পারে বা সময়ের সাথে গ্রাহক লেনদেন আচরণ থেকে বোঝা যায়৷
সহযোগী - সহযোগিতামূলক পদ্ধতিতে, এটি ব্যবহারকারীর সামাজিক পরিবেশ বিবেচনা করতে পারে। এটি সুপারিশ করে যে আইটেমগুলি বিভিন্ন গ্রাহকদের মতামতের উপর নির্ভর করে যাদের ব্যবহারকারীর মতো একই স্বাদ বা পছন্দ রয়েছে৷
আইটেম এবং ব্যবহারকারীর পছন্দগুলির মধ্যে মিল অনুসন্ধান করার জন্য সুপারিশকারী সিস্টেমগুলির তথ্য পুনরুদ্ধার, পরিসংখ্যান, মেশিন লার্নিং এবং ডেটা মাইনিং থেকে বিস্তৃত পদ্ধতির প্রয়োজন৷
সুপারিশকারী সিস্টেমের সুবিধা হল যে তারা ই-কমার্স ব্যবহারকারীদের জন্য ব্যক্তিগতকরণকে সমর্থন করে, উন্নয়নমূলক এক থেকে এক মার্কেটিং। অ্যামাজন, সহযোগী সুপারিশকারী সিস্টেমের প্রয়োজনে অগ্রগামী, তাদের বিপণন কৌশলের একটি উপাদান হিসাবে "প্রতিটি গ্রাহকের জন্য একটি ব্যক্তিগত স্টোর" প্রদান করে৷
ব্যক্তিগতকরণ ব্যবহারকারী এবং কোম্পানি উভয়ই উপকৃত হতে পারে। তাদের ব্যবহারকারীদের আরও দক্ষ মডেল প্রাপ্তির মাধ্যমে, কোম্পানিগুলি ব্যবহারকারীদের চাহিদা সম্পর্কে আরও ভাল ধারণা অর্জন করে। এই চাহিদাগুলি পূরণ করার ফলে সংশ্লিষ্ট পণ্যের ক্রস-সেলিং, আপসেলিং, পণ্যের সখ্যতা, এক থেকে এক প্রচার, উচ্চ ঝুড়ি এবং ব্যবহারকারী ধরে রাখার বিষয়ে উচ্চতর সাফল্য হতে পারে।
একটি সহযোগী সুপারিশকারী সিস্টেম একটি ব্যবহারকারীর জন্য আইটেমগুলির উপযোগিতা পূর্বাভাস করার চেষ্টা করে, u, বিভিন্ন ব্যবহারকারীদের দ্বারা পূর্বে রেট দেওয়া আইটেমগুলির উপর নির্ভর করে যারা আপনার সাথে একই। উদাহরণস্বরূপ, বইয়ের সুপারিশ করার সময়, একটি সহযোগী সুপারিশকারী সিস্টেম একাধিক ব্যবহারকারীকে খুঁজে বের করার চেষ্টা করে যাদের আপনার সাথে একমত হওয়ার ইতিহাস রয়েছে। সহযোগিতামূলক সুপারিশকারী সিস্টেম মেমরি (বা হিউরিস্টিক) ভিত্তিক বা মডেল ভিত্তিক হতে পারে।
মেমরি-ভিত্তিক পদ্ধতিগুলি ব্যবহারকারীদের দ্বারা পূর্বে রেট করা আইটেমগুলির সম্পূর্ণ সেটের উপর ভিত্তি করে রেটিং পূর্বাভাস তৈরি করতে হিউরিস্টিকস ব্যবহার করে। একটি আইটেম-ব্যবহারকারীর সমন্বয়ের বেনামী রেটিং একই আইটেমের জন্য একই ব্যবহারকারীদের রেটিংগুলির সমষ্টি হিসাবে গণনা করা যেতে পারে৷
