تفاوت بین (Content-Based) و (Collaborative Filtering)

حلقه‌های بازخورد کاربران زیربنای فیلترینگ مشارکتی  را تشکیل می‌دهد. این بازخورد می‌تواند شامل امتیازدهی کاربران، پسندیدن یا نپسندیدن کاربران یا حتی میزان توجه و استفادۀ کاربران از یک محتوای خاص باشد.

 روش‌های فیلترینگ مبتنی بر محتوا بر اساس توضیحات آیتم (جنس یا کالا) و فهرستی از ارجحیات کاربران کار می‌کنند. این روش‌ها مناسبِ شرایطی هستند که در آن‌ها داده‌های معلومی در خصوص آیتم‌ها وجود داشته باشد (مثل نام، موقعیت، توضیحات و…)، در حالی‌که داده کافی درباره کاربران در دسترس نیست.

سیستم های توصیه گر مبتنی بر محتوا، توصیه را به عنوان نوعی مسئله طبقه‌بندی در نظر می‌گیرند که مختص کاربران است. این سیستم های توصیه گر از طبقه بندی‌ها برای دسته‌بندی موارد پسندیده شده و پسندیده نشدۀ کاربران استفاده می‌کنند.  توجه به ویژگی‌های محصول در دستور کار آن قرار دارد. در این سیستم، از کلیدواژه‌ها برای توصیف آیتم‌ها یا کالاها استفاده می‌شود و یک پروفایل برای نمایشِ نوع آیتمی که کاربران دوست دارند، ساخته می‌شود.

Content - Based ) محتوا محور است و ( Collaborative Filtering ) مشارکت گروهی را در بر میگیرد

Content-Based برای مواردی مناسب است که اطلاعات دقیقی از ویژگی‌های آیتم‌ها داریم و می‌خواهیم پیشنهادهایی مرتبط با علایق مشخص کاربر بدهیم.

Collaborative Filtering برای مواردی که تعاملات کاربران با آیتم‌ها غنی است، پیشنهادهای متنوع‌تری ارائه می‌دهد.

در عمل، بسیاری از سیستم‌های پیشنهادگر از ترکیب این دو روش (Hybrid Recommender Systems) استفاده می‌کنند تا از مزایای هر دو بهره‌مند شوند.

___

امیدوارم جدول زیر کمک کننده باشه

تفاوت بین فیلترینگ مبتنی بر محتوا (Content-Based) و فیلترینگ مشارکتی (Collaborative Filtering)

• تعریف:
•  بر اساس ویژگی‌های آیتم‌ها و تعاملات گذشته کاربر آیتم‌ها را پیشنهاد می‌کند.
• عملکرد:
•  از ویژگی‌های آیتم‌ها (مانند ژانر، برچسب‌ها، و کلمات کلیدی) استفاده می‌کند تا آیتم‌های مشابه به آنهایی که کاربر قبلاً دوست داشته است را پیشنهاد کند.
• مزایا:
•  نیازی به داده‌های سایر کاربران ندارد، برای آیتم‌های جدید که هنوز رتبه‌بندی کاربران ندارند خوب کار می‌کند.
• معایب:
• محدود به پیشنهاد آیتم‌های با ویژگی‌های مشابه است؛ ممکن است آیتم‌های جدید را کشف نکند.

• تعریف:
• بر اساس ترجیحات کاربران مشابه آیتم‌ها را پیشنهاد می‌کند.
• عملکرد:
•  کاربران با ترجیحات مشابه را پیدا می‌کند و آیتم‌هایی که این کاربران پسندیده‌اند را پیشنهاد می‌دهد.
• مزایا:
•  می‌تواند آیتم‌هایی از هر دسته را پیشنهاد دهد، حتی بدون ویژگی‌های آیتم؛ برای کشف انواع جدید آیتم‌ها عالی است.
• معایب:
•  نیاز به مقدار زیادی داده‌های کاربری دارد؛ ممکن است از مشکل شروع سرد (مشکل در پیشنهاد آیتم‌ها به کاربران جدید یا آیتم‌های جدید) رنج ببرد.

مثال‌ها (Examples):

1. فیلترینگ مبتنی بر محتوا (Content-Based Filtering):
2.  یک اپلیکیشن موسیقی بر اساس ژانرها و هنرمندانی که شما دوست دارید، آهنگ‌ها را پیشنهاد می‌دهد.
3. فیلترینگ مشارکتی (Collaborative Filtering):
4.  یک سرویس پخش فیلم بر اساس فیلم‌هایی که کاربران با سلیقه مشابه شما دوست داشته‌اند، فیلم‌ها را پیشنهاد می‌دهد.

جزئیات بیشتر (Additional Details):

سیستم‌های پیشنهادگر، ابزارهای قدرتمندی هستند که با تحلیل رفتار کاربران و ویژگی‌های آیتم‌ها، محتوا یا محصولاتی را به کاربران پیشنهاد می‌دهند که احتمالاً مورد علاقه آن‌ها باشد. دو روش اصلی در این سیستم‌ها، فیلترینگ مبتنی بر محتوا و فیلترینگ مشارکتی هستند.

• مبنای کار: این روش به ویژگی‌های ذاتی آیتم‌ها توجه می‌کند. مثلاً در یک سیستم پیشنهاد فیلم، به ژانر، بازیگر، کارگردان و سایر ویژگی‌های فیلم نگاه می‌کند.
• نحوه کار: ابتدا پروفایل کاربری ایجاد می‌شود که حاوی اطلاعاتی درباره ترجیحات کاربر است. سپس آیتم‌هایی که دارای ویژگی‌های مشابه با آیتم‌هایی هستند که کاربر قبلاً آن‌ها را پسندیده، به او پیشنهاد می‌شوند.
• مزایا:
  • نیازی به داده‌های زیاد از سایر کاربران ندارد.
  • می‌تواند برای آیتم‌های جدید که هنوز بازخورد کاربری زیادی ندارند، پیشنهاد ارائه دهد.
• معایب:
  • توانایی کشف آیتم‌های جدید و غیرمنتظره برای کاربر محدود است.
  • به توصیف دقیق ویژگی‌های آیتم‌ها نیاز دارد.

• مبنای کار: این روش به رفتار و ترجیحات سایر کاربران توجه می‌کند. به عبارت دیگر، به جای بررسی ویژگی‌های آیتم‌ها، به این می‌پردازد که کاربران مشابه چه آیتم‌هایی را پسندیده‌اند.
• نحوه کار:
  • کاربر-کاربر: با یافتن کاربران مشابه (بر اساس تاریخچه‌ی خرید یا امتیازدهی) و پیشنهاد آیتم‌هایی که آن کاربران دوست داشته‌اند.
  • آیتم-آیتم: با یافدن آیتم‌های مشابه (بر اساس اینکه کاربران مشابه آن‌ها را دوست داشته‌اند) و پیشنهاد آیتم‌های مشابه به کاربر هدف.
• مزایا:
  • می‌تواند آیتم‌های جدید و غیرمنتظره را به کاربر پیشنهاد دهد.
  • نیازی به دانستن ویژگی‌های دقیق آیتم‌ها ندارد.
• معایب:
  • به تعداد زیادی داده از کاربران نیاز دارد.
  • مشکل شروع کار (Cold Start) برای کاربران جدید وجود دارد، زیرا هنوز تاریخچه‌ی رفتاری کافی برای آن‌ها وجود ندارد.

تفاوت‌های کلیدی این دو ابزار قدرتمند در سیستمهای پیشنهادگر  را می توانید در جدول پیوست ببینید.

• فیلترینگ مبتنی بر محتوا: زمانی که اطلاعات دقیق و ساختاریافته‌ای درباره آیتم‌ها وجود دارد و تعداد کاربران کم است.
• فیلترینگ مشارکتی: زمانی که تعداد زیادی داده از کاربران وجود دارد و می‌خواهید آیتم‌های جدید و غیرمنتظره را به کاربران پیشنهاد دهید.

در بسیاری از سیستم‌های پیشنهادگر ترکیبی از این دو روش استفاده می‌شود تا از مزایای هر دو روش بهره‌مند شوند و محدودیت‌های آن‌ها را جبران کنند.

مثال: در یک سیستم پیشنهاد فیلم، فیلترینگ مبتنی بر محتوا می‌تواند به کاربر فیلم‌های مشابه با فیلم‌هایی که قبلاً دیده است را پیشنهاد دهد (مثلاً اگر کاربر فیلم‌های اکشن را دوست داشته باشد، فیلم‌های اکشن دیگری پیشنهاد می‌شود). در حالی که فیلترینگ مشارکتی می‌تواند فیلم‌هایی را پیشنهاد دهد که کاربران مشابه، با علایق مشابه، آن‌ها را دوست داشته‌اند.