یک معیار شباهت بیزی نوین مبتنی بر مدرک برای سیستم های پیشنهاد دهنده

پالایش مشارکتی مبتنی بر کاربر که یک تکنیک پیشنهاد مبتنی بر نزدیک ترین همسایه بوده و بطور وسیعی مورد استفاده قرار گرفته است، با تجمیع امتیازات کاربران مشابه، امتیاز یک آیتم را تخمین میزند. شباهت کاربر به صورت سنتی با شباهت کسینوسی یا ضریب همبستگی پیرسون محاسبه میگردد. با این وجود هر دوی این معیارها فقط جهت بردارهای امتیازدهی را درنظر می گیرند و دچار بازه ای از ایرادات می باشند. برای مرتفع نمودن این مشکلات، ما یک معیار شباهت بیزی نوین را پیشنهاد می دهیم که مبتنی بر توزیع دیریکله می باشد و جهت و طول بردارهای امتیازدهی را درنظر می گیرد. ما فرض می کنیم که نیازی نیست تمامی جفت های امتیازدهی حتما به صورت مساوی شمردهشوند تا همبستگی کاربر به صورت دقیقی مدل سازی گردد. سه بردار مدل متفاوت طراحی شده اند تا وزن جفت های امتیازدهی را محاسبه نمایند. به علاوه، روش اصلی ما به علت جانبداری میان شانس و سیستم احتمال، همبستگی را کاهش می دهد. نتایج تجربی موجود بر شش مجموعه داده ی دنیای واقعی نشان میدهند که روش ما در مقایسه با روش های دیگر، به دقت برتری دست می یابد.