محاسبات نرم کاربردی مدل تعادلی با اعتماد به نفس برای فیلتر کردن مشارکت آنلاین

فیلترینگ جمعی (CF)به طور گسترده در سیستم‌های توصیه‌گر به منظور پیش‌بینی ترجیحات یا علایق کاربر مطابق با اطلاعات تاریخی کاربر بکار می‌رود.روش‌های سنتی CF اساسا روش‌های پردازش دسته‌ای را برای آموزش مدل‌های پیشنهاد دهنده که نیاز به آماده‌سازی قبلی داده‌های آموزشی دارند، اتخاذ می‌کنند.با این حال، ترجیحات یا منافع کاربر همیشه با گذشت زمان تغییر می‌کند، و آماده کردن همه داده‌های آموزشی بلافاصله غیر ممکن است.در حقیقت، داده‌ها با زمان با توالی مشخصی به دست می‌آیند.بنابراین، برای به روز رسانی مدل، مدل آموزش‌دیده باید براساس تمام مجموعه داده‌های تاریخی مجددا آموزش داده شود.در نتیجه، هزینه آموزش مجدد بسیار بالا است، که مدل پیشنهاد دهنده را کاهش می‌دهد و به روز رسانی های جدید داده‌های کاربر دشوار می‌سازد.برای حل این مشکلات، سیستم توصیه‌گر آنلاین پدیدار شد.در این مقاله، ما یک مدل تعادلی دار مبتنی بر اعتماد (CWBM)را برای فیلترینگ مشارکت آنلاین (OCF)پیشنهاد می‌کنیم.این مدل تعادلی را به CF اضافه می‌کند و وزن‌های اعتماد را بیشتر معرفی می‌کند.بنابراین می توان پایداری و دقت OCF را بهبود بخشید.یک آزمایش م

Collaborative filtering (CF) is widely applied in recommender systems to predict user preferences or interests according to a user’s historical information. Traditional CF methods mainly adopt batch-processing methods to train recommender models, which require prior preparation of all training data. However, user preferences or interests always change with time, and it is impossible to prepare all of the training data at once. In actuality, the data are obtained with time with a certain sequence. Therefore, to update the model, the trained model needs to be re-trained according to all of the historical datasets. As a result, the cost of re-training is very high, which slows down the recommender model, and makes new updates of the user data difficult to capture. To solve these problems, the online recommender system emerged. In this paper, we propose a confidence-weighted bias model (CWBM) for online collaborative filtering (OCF). This model adds bias into CF and further introduces conf