علم داده‌ها چه نقشی در معماری موتورهای توصیه‌کننده دارد؟

سیستم‌های توصیه‌گر چه مزایایی دارند؟ 

سامانه‌های توصیه‌گر یکی از تاثیرگذارترین فناوری‌های حال حاضر هستند که روزانه به نوعی از آن‌ها استفاده می‌کنیم. شاید شنیدن این حرف برای‌تان جالب باشد که جست‌وجویی که روزانه توسط گوگل انجام می‌دهید، در لایه‌های زیرین، مبتنی بر سامانه‌های توصیه‌گر است. به بیان دقیق‌تر، به غیر از الگوریتم‌هایی که برای شاخص‌گذاری صفحات مورد استفاده قرار می‌گیرند، سامانه‌های توصیه‌گر گوگل نیز مورد استفاده قرار می‌گیرند تا پیشنهادهای جذابی به شما بدهند. برخی از مزایای شاخص سیستم‌های توصیه‌گر به‌شرح زیر است:

شخصی‌سازی

شخصی‌سازی در سیستم‌های توصیه‌گر به معنای تنظیم و تعدیل پیشنهاد‌ها و محتواهایی است که به کاربران بر اساس سلایق، نیازها و ترجیحات هر کاربر به‌طور خاص ارائه می‌شود. با استفاده از الگوریتم‌ها و مدل‌های یادگیری ماشین، سیستم‌های توصیه‌گر قادر هستند از طریق تحلیل داده‌های کاربری و الگوهای رفتاری، پیشنهادهای شخصی‌سازی‌شده و دقیق‌تری به هر کاربر ارائه دهند. شخصی‌سازی در زمینه‌هایی مثل توصیه محصولات (بر اساس علاقه‌ها و سابقه خرید کاربران، محصولات یا خدمات مشابه)، پیشنهاد محتوا (بر اساس تاریخچه مشاهده و رتبه‌بندی کاربران)، شخصی‌سازی تجربه کاربری (با ارائه پیشنهادهای مناسب و مطلوب به هر کاربر) و غیره مورد استفاده قرار می‌گیرد.

افزایش رضایت کاربران

با ارائه پیشنهادهای دقیق و متناسب با نیازهای کاربران، رضایت کاربران افزایش می‌یابد و احتمال استفاده از سرویس‌ها و خرید محصولات افزایش می‌یابد. سیستم‌های توصیه‌گر می‌توانند به کاربران محتواهای جدید و ناشناخته پیشنهاد دهند. به‌طوری‌که کاربران خارج از محدوده و سلیقه خود قادر به تجربه محتواهای جدید خواهند بود. این درست همان کاری است که چت‌بات‌هایی که امروزه در صدر اخبار قرار دارند بر مبنای آن کار می‌کنند. 

ارائه محتوای جدید

سیستم‌های توصیه‌گر نقش مهمی در ارائه محتوای جدید به کاربران دارند. سیستم‌های توصیه‌گر تنوع محتوا را به‌شکل قابل توجهی افزایش می‌دهند. با توجه به سلیقه و نیازهای کاربران، سیستم‌های توصیه‌گر محتواهای متنوعی از طریق پیشنهادات خود به آن‌ها ارائه می‌دهند که تعامل کاربر با سرویس‌های مورد استفاده را به‌شکل قابل توجهی افزایش می‌دهد. به طور کلی، سیستم‌های توصیه‌گر با ارائه محتوای جدید، تنوع منابع و تنظیمات شخصی‌سازی‌شده، به کاربران کمک می‌کنند به محتواهای جدید و متنوع دسترسی پیدا کنند. این تجربه ارتباط نزدیک‌تر کاربران با پلتفرم‌ها را به‌همراه دارد و به کاربران این حس را القا می‌کند که سیستم، نیازها و سلیقه آن‌ها را به‌درستی درک می‌کند. 

افزایش فروش و درآمد

سیستم‌های توصیه‌گر می‌توانند به روش‌های مختلف افزایش فروش و درآمد را به همراه داشته باشند. سیستم‌های توصیه‌گر به کاربران کمک می‌کنند تا محصولات مکمل، مشابه یا مرتبط با محصولی را که قبلا خریداری کرده‌اند کشف کنند. همچنین، یک تجربه خرید متمایز را به‌وجود می‌آورند. با توصیه محصولات و خدمات درست و به موقع به کاربران، اعتماد بین کاربران و برند افزایش پیدا می‌کند که افزایش فروش و درآمد را به همراه خواهد داشت. امروزه، پلتفرم‌های استریمینگ موسیقی مانند Spotify و پلتفرم‌های خرید آنلاین مثل Amazon و پخش فیلم Netflix از سیستم‌های توصیه‌گر استفاده می‌کند تا پیشنهادهایی متناسب با سلایق را به کاربران ارائه دهند و درآمد خود را افزایش دهند. 

علم داده‌ها چه نقشی در سیستم‌های توصیه‌گر دارد؟

اکنون که تا حدودی با کارکرد و مزایای سیستم‌های توصیه‌گر آشنا شدیم به پرسش اصلی این مطلب می‌رسیم که علم داده‌ها چه نقشی در این بازی دارد؟ علم داده‌ها، ابزارها، تکنیک‌ها و روش‌هایی ارائه می‌کند که برای تحلیل و پردازش داده‌ها، استخراج الگوها و ساخت مدل‌های پیشنهادگر استفاده می‌شوند. علم داده‌ها به روش‌های زیر باعث افزایش عملکرد سیستم‌های توصیه‌گر می‌شود:

• تحلیل داده: علم داده‌ها با استفاده از روش‌های تحلیل داده، مانند استخراج ویژگی‌ها، استنتاج آماری و تحلیل موضوع، به تحلیل دقیق داده‌های موجود می‌پردازد. این تحلیل داده به ما امکان می‌دهد الگوها، روندها و ارتباطاتی را که در داده‌ها وجود دارند شناسایی کنیم و اطلاعات مفیدی را درباره کاربران و محصولات به‌دست آوریم.
• پیش‌بینی و مدل‌سازی: با استفاده از مدل‌های یادگیری ماشین و روش‌های آماری، علم داده‌ها به ما امکان می‌دهد مدل‌های پیش‌گویانه برای توصیه‌گرها ایجاد کنیم. این مدل‌ها با بررسی الگوها و رفتار کاربران، قادرند پیش‌بینی‌های دقیقی درباره ترجیحات و نیازهای کاربران ارائه دهند.
• فیلترهای مشابهت: در سیستم‌های توصیه‌گر، برای پیشنهاد محتوا و محصولات به کاربران، نیاز به محاسبه شباهت بین کاربران و محتواها داریم. علم داده‌ها با استفاده از روش‌های مبتنی بر فیلترهای مشابهت، مانند فیلترهای محتوامحور و رفتارمحور، اجازه می‌دهد تا کاربران محتواهای مشابه را پیدا کنند و همچنین کاربرانی را که الگوی رفتاری مشابه با یک‌دیگر دارند پیدا کنیم. 
• بهینه‌سازی و آزمایش‌ها: علم داده‌ها کمک می‌کند با استفاده از تکنیک‌های بهینه‌سازی و آزمون‌ها، عملکرد سیستم‌های توصیه‌گر را بهبود بخشیم و دقت و کارایی آن‌ها را افزایش دهیم.

در مجموع باید بگوییم که علم داده‌ها با استفاده از تکنیک‌ها و روش‌های مختلف اجازه می‌دهد از داده‌ها استفاده کنیم و الگوریتم‌های پیچیده‌تری را برای ساخت سیستم‌های توصیه‌گر پیاده‌سازی کنیم. این الگوریتم‌ها می‌توانند بر اساس روش‌های مبتنی بر محتوا، فیلترهای مشابهت، یادگیری ماشین، یادگیری عمیق و سایر روش‌های موجود در علم داده‌ها طراحی شوند تا به کاربران پیشنهادهای دقیق و متناسب با سلیقه و نیازهای‌شان ارائه دهند.

چگونه از علم داده‌ها در سیستم‌های توصیه‌گر استفاده کنیم؟

اگر در نظر دارید از سیستم‌های توصیه‌گر برای افزایش فروش و رونق تجاری استفاده کنید و در نظر دارید از علم داده‌ها برای افزایش عملکرد این سامانه‌ها استفاده کنید، باید با مراحل انجام این‌کار آشنا باشید. مراحل کلی استفاده از علم داده در سیستم‌های توصیه‌گر به‌طور اجمالی به‌شرح زیر است: 

• جمع‌آوری داده: اولین مرحله در ساخت سیستم توصیه‌گر، جمع‌آوری داده‌های مورد نیاز است. این فرآیند شامل داده‌های کاربران (مانند سابقه خرید، رتبه‌بندی‌ها، نظرات و امتیازها) و داده‌های مربوط به محتوا (مانند ویژگی‌ها، توصیفات و برچسب‌ها) است. می‌توانید از منابع مختلف مانند سیستم‌های مدیریت رابطه با مشتری (CRM)، لاگ‌های مرتبط با کاربران (پروفایل‌ها)، شبکه‌های اجتماعی و بازخوردهای کاربران استفاده کنید.
• پیش‌پردازش داده: پس از جمع‌آوری داده‌ها، نیاز است تا داده‌ها را پیش‌پردازش کنید. این فرآیند شامل تمیزکاری داده‌ها، حذف داده‌های ناقص، نرمال‌سازی و استانداردسازی داده‌ها و استخراج ویژگی‌های مهم است. این مرحله یکی از مهم‌ترین مراحل است، زیرا کیفیت و دقت سیستم توصیه‌گر بستگی به کیفیت داده‌های ورودی دارد.
• انتخاب الگوریتم: در این مرحله، نیاز است الگوریتم‌های مناسب را برای سیستم توصیه‌گر انتخاب کنید. می‌توانید از الگوریتم‌های مبتنی بر محتوا، فیلترهای مشابهت، یادگیری ماشین، یادگیری عمیق و سایر روش‌های موجود در علم داده استفاده کنید. انتخاب الگوریتم به نوع داده‌ها، مقیاس سیستم و هدف نهایی توصیه‌گر بستگی دارد. 
• آموزش مدل: برای ساخت یک سیستم توصیه‌گر قوی، نیاز است مدل‌های پیشنهادگر را با استفاده از داده‌ها آموزش دهید. این فرآیند شامل انتخاب و ساخت مجموعه آموزشی و آزمون، تعیین پارامترهای مدل و آموزش مدل با استفاده از الگوریتم‌های مختلف است. این مرحله بهبود و بهینه‌سازی مدل را به‌همراه خواهد داشت. 
• ارزیابی مدل: پس از آموزش مدل، نیاز است عملکرد مدل را ارزیابی کنید. می‌توانید از معیارهای ارزیابی مانند دقت (Accuracy)، صحت (Precision)، فراخوانی مجدد (Recall) و امتیاز-اف1 (F1-score) استفاده کنید. با انجام ارزیابی، می‌توانید عملکرد مدل را ارزیابی کنید و در صورت نیاز، تغییراتی در مدل اعمال کنید.
• پیاده‌سازی سیستم: پس از آموزش و ارزیابی مدل، نیاز است سیستم توصیه‌گر را پیاده‌سازی کنید که با استفاده از تکنولوژی‌ها و ابزارهای رایج مثل پایتون و تنسورفلو انجام می‌شود. 
• پیش‌بینی و توصیه: در این مرحله، سیستم توصیه‌گر آماده استفاده است. با ورود داده‌های جدید به سیستم، می‌توانید با استفاده از مدل آموزش‌دیده، پیش‌بینی‌ها و توصیه‌های مربوطه را به کاربران ارائه کنید.
• بهبود لینک‌دهی: یک سیستم توصیه‌گر خوب باید قابلیت بهبود در طول زمان داشته باشد. این حرف به معنای جمع‌آوری بازخوردهای کاربران، بررسی و تحلیل آن‌ها و به‌روزرسانی مدل و سیستم است. بازخوردهای کاربران می‌تواند بهبود عملکرد سیستم و دقت توصیه‌ها را بهبود بخشد.

یک مثال عملی استفاده از علم داده‌ها در سیستم‌های توصیه‌گر 

اکنون اجازه دهید مطالبی را که ارائه کردیم به‌شکل عملی مورد استفاده قرار دهیم تا ببینم کدنویسی این مباحث به چه صورتی است. یک مثال عملی استفاده از علم داده‌ها در سیستم توصیه‌گر می‌تواند در مورد توصیه‌ فیلم به کاربران باشد. در این سیستم با استفاده از علم داده‌ها، به کاربران فیلم‌هایی که به آن‌ها علاقه‌مند هستند، توصیه می‌شود. مراحل انجام این‌کار مشابه با الگویی است که در پاراگرف قبل به آن اشاره کردیم:

• جمع‌آوری داده: نخستین گام در ساخت سیستم توصیه‌گر فیلم، جمع‌آوری داده‌های مربوط به کاربران و فیلم‌ها است. این فرآیند شامل داده‌هایی مانند سابقه تماشای فیلم، امتیازهای داده‌شده، نظرات و بازخوردها است. این داده‌ها می‌توانند از منابعی مانند سیستم‌های رتبه‌بندی فیلم، پایگاه‌های داده سینماها و پلتفرم‌های استریمینگ جمع‌آوری شوند.
• پیش‌پردازش داده‌ها: در این مرحله، داده‌ها پیش‌پردازش می‌شوند که شامل تمیزکاری داده‌ها، حذف داده‌های ناقص، نرمال‌سازی امتیازها و استخراج ویژگی‌های مرتبط با فیلم‌ها می‌شود. به‌عنوان مثال، ویژگی‌هایی مانند ژانر، کارگردان، بازیگران، سال تولید و امتیاز میانگین فیلم می‌توانند استخراج شوند.
• انتخاب الگوریتم: در این مرحله، الگوریتم مناسب برای سیستم توصیه‌گر انتخاب می‌شود. همان‌گونه که اشاره شد، می‌توان از الگوریتم‌های مبتنی بر محتوا، فیلترهای مشابهت، یادگیری ماشین و غیره استفاده کرد. به‌عنوان مثال، الگوریتم مبتنی بر محتوا می‌تواند با استفاده از ویژگی‌های فیلم‌ها، فیلم‌های مشابه را توصیه کند.
• آموزش مدل: در این مرحله، مدل توصیه‌گر با استفاده از داده‌های جمع‌آوری‌شده آموزش داده می‌شود. مدل با استفاده از الگوریتم مناسب، روابط و الگوهای موجود در داده‌ها را یاد می‌گیرد. می‌توان از الگوریتم‌های یادگیری ماشین مانند ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی عمیق (Deep Neural Networks) استفاده کرد. 

اکنون وقت آن رسیده تا جمع‌بندی مطالب فوق را به‌شکل کدنویسی مورد بررسی قرار دهیم. قطعه کد زیر یک سامانه توصیه‌گر ساده فیلم را نشان می‌دهد که با زبان برنامه‌نویسی پایتون و کتاب‌خانه sklearn نوشته شده است. 

import pandas as pd

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.metrics.pairwise import linear_kernel

# خواندن داده‌ها

movies_df = pd.read_csv(‘movies.csv’)

# پیش‌پردازش داده‌ها

tfidf = TfidfVectorizer(stop_words=’english’)

movies_df[‘overview’] = movies_df[‘overview’].fillna(‘’)

tfidf_matrix = tfidf.fit_transform(movies_df[‘overview’])

# محاسبه شباهت کسینوسی بین فیلم‌ها

cosine_similarities = linear_kernel(tfidf_matrix, tfidf_matrix)

# تابع توصیه‌گر بر اساس شباهت کسینوسی

def recommend_movies(movie_title, cosine_similarities, movies_df):

# یافتن شناسه فیلم مورد نظر

movie_index = movies_df[movies_df[‘title’] == movie_title].index[0]

# محاسبه شباهت کسینوسی بین فیلم مورد نظر و سایر فیلم‌ها

similar_movies = list(enumerate(cosine_similarities[movie_index]))

# مرتب‌سازی فیلم‌ها بر اساس شباهت کسینوسی

sorted_movies = sorted(similar_movies, key=lambda x: x[1], reverse=True)

# نمایش 10 فیلم مشابه

recommended_movies = []

for i in range(1, 11):

    movie_title = movies_df.iloc[sorted_movies[i][0]][‘title’]

    recommended_movies.append(movie_title)

return recommended_movies

# توصیه‌گر فیلم

movie_title = “The Dark Knight Rises”

recommendations = recommend_movies(movie_title, cosine_similarities, movies_df)

# نمایش فیلم‌های توصیه‌شده

print(f”فیلم‌های توصیه‌شده برای {movie_title}:”)

for movie in recommendations:

   print(movie)

در این مثال، ابتدا داده‌های فیلم‌ها از یک فایل CSV خوانده می‌شوند. سپس، با استفاده از بردارسازی TF-IDF، ماتریس شباهت کسینوسی بین فیلم‌ها محاسبه می‌شود. سپس، با استفاده از تابع recommend_movies، با ورود عنوان فیلم مورد نظر، 10 فیلم مشابه توصیه می‌شوند. در انتها، فیلم‌های توصیه‌شده نمایش داده می‌شوند. قطعه کد بالا، مثال ساده‌ای از نحوه استفاده از علم داده در سیستم‌های توصیه‌گر فیلم است. البته، می‌توان با بهبود و توسعه آن، سیستم‌های توصیه‌گر پیچیده‌تر و دقیق‌تری را پیاده‌سازی کرد.

چگونه می‌توانیم داده‌های دیگری مانند امتیاز کاربران را در سیستم توصیه‌گر استفاده کرد؟

با دریافت امتیازهایی که کاربران به فیلم‌ها داده‌اند، می‌توان الگوریتم‌های یادگیری ماشین را بر اساس این امتیازها آموزش داده و بر اساس آن‌ها توصیه‌های دقیق‌تری ارائه کرد. برای استفاده از امتیازهای کاربران، ابتدا باید داده‌های مربوط به امتیازها را جمع‌آوری کنیم. این امتیازها می‌توانند از سیستم‌های رتبه‌بندی فیلم، امتیازهای کاربران در پلتفرم‌های استریمینگ، یا بازخوردهای کاربران در فرم نظرات به‌دست آیند. سپس، این امتیازها را به شکلی مناسب به داده‌های فیلم‌ها اضافه می‌کنیم.

یکی از روش‌های متداول برای استفاده از امتیازهای کاربران، فیلترهای مشابهت هستند. به‌عنوان مثال، می‌توانیم امتیاز کاربر به یک فیلم را به‌عنوان وزنی در محاسبه شباهت کسینوسی بین فیلم‌ها استفاده کنیم. در این صورت، فیلم‌هایی که به لحاظ محتوا مشابه هستند و امتیاز بالا از کاربران دریافت کرده‌اند، احتمالا بهترین توصیه برای کاربر خواهند بود. همچنین، می‌توانیم از الگوریتم‌های توصیه‌گر مبتنی بر فیلترهای مشارکت (Collaborative Filtering)

استفاده کنیم. در این روش، بر اساس امتیازهای کاربران، روابط و الگوهایی بین کاربران و فیلم‌ها شناسایی می‌شوند. سپس با استفاده از این اطلاعات، می‌توانیم به کاربرانی که سلیقه مشابهی با کاربر مورد نظر دارند، فیلم‌های مشابه توصیه کنیم.

سیستم‌ توصیه‌گر مبتنی بر دانش چیست؟

سیستم‌های توصیه‌گر مبتنی بر دانش (Knowledge-Based Recommendation Engines)، نوعی از سیستم‌های توصیه‌گر هستند که بر اساس دانشی که درباره کاربران دارند، توصیه‌هایی ارائه می‌دهند. در این سیستم‌ها، دانش و اطلاعات در موارد مختلف مانند محصولات، خدمات، مقالات، فیلم‌ها و غیره، به‌صورت یک پایگاه دانش مرجع ذخیره می‌شود. عملکرد سیستم‌های توصیه‌گر دانش‌محور بر اساس مقایسه و تطبیق دانش موجود با نیازهای کاربر است. این سیستم‌ها با استفاده از قوانین و قواعدی که در پایگاه دانش ذخیره شده‌اند، توصیه‌هایی را به کاربران ارائه می‌دهند. به عبارت دیگر، آن‌ها با تحلیل و فهم دانش موجود و درک نیازهای کاربران، توصیه‌های دقیق و مرتبطی را ارائه می‌دهند.

یکی از ویژگی‌های مهم سیستم‌های توصیه‌گر مبتنی بر دانش، قابلیت توصیه در شرایطی است که داده‌های کاربران کم یا ناقص باشند، زیرا این سیستم‌ها بر اساس دانش داخلی خود عمل می‌کنند و نیازی به داده‌های کاربران برای ارائه توصیه ندارند. یکی از کاربردهای سیستم‌های توصیه‌گر دانش‌محور، در حوزه‌هایی است که داده‌های کاربران به‌دلیل محدودیت‌های حریم خصوصی، پیچیدگی و موارد دیگر در دسترس نیست. 

سیستم‌ توصیه‌گر مبتنی بر محتوا چیست؟

موتورهای توصیه‌گر مبتنی بر محتوا (Content-Based Recommendation Engines) نوعی دیگری از سیستم‌های توصیه‌گر هستند که بر اساس تحلیل و توصیف محتوای مورد نظر کاربران، توصیه‌های مشابه ارائه می‌دهند. در این سیستم‌ها، محتوا و ویژگی‌های موجود در حوزه‌های مختلف مثل فیلم‌ها، موسیقی، محصولات، مقالات و غیره، به‌عنوان اساس توصیه‌ها استفاده می‌شود.

عملکرد سیستم‌های توصیه‌گر مبتنی بر محتوا بر اساس مقایسه و تطبیق ویژگی‌های محتوا با نیازهای کاربر است. این سیستم‌ها با تحلیل و استخراج ویژگی‌های محتوا مانند عنوان، ژانر، بازیگران، نویسنده، موضوع و سایر ویژگی‌های مشابه، توصیه‌هایی ارائه می‌دهند. به عبارت دیگر، آن‌ها با بررسی و تحلیل محتوا و تشخیص الگوهای مشابه، توصیه‌های مرتبط و مشابه را پیدا می‌کنند. یکی از ویژگی‌های مهم سیستم‌های توصیه‌گر مبتنی بر محتوا، قابلیت توصیه موارد جدید به کاربران است، زیرا این سیستم‌ها بر اساس ویژگی‌های محتوا عمل می‌کنند. یکی از کاربردهای سیستم‌های توصیه‌گر مبتنی بر محتوا در حوزه‌هایی است که داده‌های کاربران محدود، ناقص یا غیر قابل دسترس است. به‌عنوان مثال، در حوزه فیلم و موسیقی، سیستم‌های توصیه‌گر مبتنی بر محتوا با تحلیل ویژگی‌های محتوای فیلم‌ها و موسیقی، می‌توانند به کاربران توصیه‌هایی در مورد فیلم‌ها و موسیقی‌های جدید ارائه دهند.

سیستم‌ توصیه‌گر فیلترکننده مشارکتی چیست؟

سیستم‌های توصیه‌گر فیلترکننده مشارکتی (Collaborative Filtering Recommendation Engines)، نوعی از سیستم‌های توصیه‌گر هستند که بر اساس رفتار و تعاملات کاربران در گذشته، توصیه‌های مشابه و مرتبط ارائه می‌دهند. در این سیستم‌ها، اطلاعات و داده‌هایی مانند نظرات، امتیازها، تاریخچه خرید و تعاملات کاربران مورد استفاده قرار می‌گیرد. عملکرد سیستم‌های توصیه‌گر فیلترکننده مشارکتی بر اساس تحلیل الگوهای رفتاری کاربران است. این الگوها می‌توانند شامل امتیازات کاربران به موارد مختلف، محصولاتی که خریداری کرده‌اند، مواردی که به آن‌ها علاقه‌مند بوده‌اند و سایر تعاملات کاربران با محتوا باشد. با بررسی الگوهای رفتاری کاربران، سیستم قادر است توصیه‌هایی را به کاربران با سلیقه و نیازهای مشابه ارائه دهد. یکی از انواع متداول سیستم‌های توصیه‌گر فیلترکننده مشارکتی، فیلترینگ همسایه‌محور (Neighborhood-Based Filtering) است. در این روش، کاربران با سلیقه و ترجیحات مشابه یک‌دیگر به‌عنوان همسایگان در نظر گرفته می‌شوند. با تحلیل رفتار و نظرات همسایگان، توصیه‌های مشابه ارائه می‌شود. به‌عنوان مثال، اگر کاربر A نظرات و امتیازات خود را به فیلم‌ها و موسیقی‌ها وارد کرده باشد، سیستم می‌تواند با بررسی نظرات و امتیازات کاربران دیگری که با سلیقه A مشابه هستند، توصیه‌هایی را برای A ارائه کند.

معماری دیگری که مبتنی بر سیستم‌های توصیه‌گر فیلترکننده مشارکتی است، ماتریس فاکتورمحور (Matrix Factorization-Based) است. در این روش، ماتریسی از داده‌های کاربران و موارد موردنظر ساخته می‌شود و با تجزیه ماتریس، پارامترهای مختلفی مانند سلیقه کاربران و ویژگی‌های مختلف استخراج می‌شود. با استفاده از این عوامل، سیستم قادر است توصیه‌هایی ارائه دهد. این روش مواقعی استفاده می‌شود که داده‌های زیادی در دسترس است و نیاز به تجزیه و تحلیل پیچیده‌تری وجود دارد.