کمبود سیستم های پیشنهاددهنده در منابع پژوهشی
در روزگاری که محیط مجازی روز به روز گسترده تر و وسیع تر میشود تا جایی که کنترل و پردازش اطلاعات دریافتی تقریبا امری ناممکن شده است، نیاز به وجود سامانه ای که بتواند بر این مشکل غلبه کند، بیش از هر زمان دیگری حس میشود.
امروزه، سیستم‌هایی که بتوانند از میان خیل عظیمی از اطلاعات و محصولات گوناگون، مناسب ترین و مورد پسندترین‌ها را بنا به شرایط و ویژگی‌های خاص هر کاربر به او پیشنهاد دهند، طرفداران بسیاری یافته اند.
رشد سریع اطلاعات در اینترنت از یک سو و گم شدن کاربران در میان ساختار پیچیده اطلاعات از سوی دیگر، روز به روز اهمیت و جایگاه مفاهیمی مانند سیستم های پیشنهاددهنده را بالاتر می برد.
اکنون علاقه مندی بسیاری به حوزه سیستم های پیشنهاد دهنده در سازمان ها و محافل علمی وجود دارد. این سیستم ها در حوزه های کاربردی مختلف در راستای حمایت از کاربران در تصمیم گیری، کمک به آن ها در مدیریت حجم انبوه اطلاعات و فراهم کردن شکل هوشمندی از دسترسی به اطلاعات قابل استفاده هستند.
اما به دلیل نوظهور بودن این مساله، کمبود دسته بندی مشخص در رابطه با روش های پیاده سازی سیستم های پیشنهاددهنده در منابع پژوهشی احساس می شود.
ضمن اینکه، رشد سریع کاربران و آیتم ها مخصوصا در سایت های تجاری، خود یک چالش اصلی برای این نوع سیستم ها شده است که دقت و مقیاس پذیری آنها را به شدت تحت تاثیر قرارداده است.
به صورتی که مقیاس پذیر بودن یک سیستم پیشنهاددهنده، اولویت بالاتری نسبت به دیگر عوامل حتی دقت در سایت های بزرگ شده است.
در مقاله ای تحت عنوان «ارائه یک سیستم پیشنهاد دهنده مقیاس پذیر با استفاده از الگوریتم پردازش موازی MapReduce» با استفاده از الگوریتم MapReduce بر بسترHadoop ، سیستم پیشنهاددهنده ای با دقت بالا مقیاس پذیر شده است. نتایج ارزیابی نشاندهنده مقیاس پذیر بودن روش پیشنهادی در اندازه های مختلف است.
بر اساس این گزارش، مقاله مذکور که در پنجمین کنفرانس وب پژوهی ارائه شد، توسط حمیدرضا سلیمیان و هادی خسروی از دانشکده کامپیوتر موسسه آموزش عالی و دانشگاه شهرکرد تالیف شده است.