Systémy doporučení jsou programy , které se snaží předvídat, které objekty ( filmy , hudba , knihy , zprávy , webové stránky ) budou uživatele zajímat, pokud mají určité informace o jeho profilu .
Dvěma hlavními strategiemi pro vytváření systémů doporučování jsou filtrování založené na obsahu a filtrování založené na spolupráci [1] [2] . Filtrování založené na obsahu vytváří profily uživatelů a objektů, profily uživatelů mohou obsahovat demografické informace nebo odpovědi na konkrétní sadu otázek, profily objektů mohou obsahovat jména žánrů, jména herců, jména umělců a další informace o atributech v závislosti na typu objektu. Například v Music Genome Project hodnotí hudební analytik každou skladbu podle stovek různých hudebních charakteristik, které lze použít k určení hudebních preferencí uživatele. Kolaborativní filtrování využívá informace o minulém chování uživatelů, jako jsou nákupy nebo hodnocení. V tomto případě nezáleží na tom, s jakými typy objektů pracujete, ale lze zohlednit implicitní charakteristiky, které by bylo obtížné zohlednit při vytváření profilu. Hlavním problémem tohoto typu doporučovacích systémů je „studený start“: nedostatek dat o uživatelích nebo objektech, které se v systému nedávno objevily.
Doporučující systémy při své práci shromažďují data o uživatelích pomocí kombinace explicitních a implicitních metod. Příklady explicitního sběru dat:
Příklady implicitního sběru dat:
Systémy doporučení porovnávají stejný typ dat od různých lidí a vypočítávají seznam doporučení pro konkrétního uživatele. Některé příklady jejich komerčního a nekomerčního použití jsou uvedeny v článku o společném filtrování . Pro výpočet doporučení se používá graf zájmů [3] . Systémy doporučení jsou pohodlnou alternativou k vyhledávacím algoritmům, protože vám umožňují objevit objekty, které nelze najít jako poslední. Je zajímavé, že doporučující systémy často používají vyhledávače k indexování neobvyklých dat.