Een neutrosofische clusteringsaanpak om aanbevelingsonzekerheid voor gray sheep‑gebruikers te verwerken

Waarom sommige mensen vreemde aanbevelingen krijgen

Streamingsites en winkelplatforms lijken ons vaak te “kennen”, maar voor veel mensen schieten de suggesties nog steeds tekort. Dit artikel onderzoekt een lastige gebruikersgroep wiens smaak niet in de pas loopt met de massa en toont aan hoe het omarmen van onzekerheid — in plaats van die te negeren — de aanbevelingen voor deze mensen aanzienlijk kan verbeteren.

De gebruikers die aanbevelingsmachines in de war brengen

De meeste aanbevelingssystemen leren van patronen in de massa: “mensen zoals jij vonden deze films, boeken of nummers ook goed.” Dat werkt goed wanneer je smaak vergelijkbaar is met een grote groep anderen. Maar sommige mensen, aangeduid als “gray sheep”‑gebruikers, houden van een mix van mainstream en afwijkende items die niet duidelijk bij één groep past. Hun beoordelingen zijn verspreid, het systeem vindt geen betrouwbare buren en de resulterende aanbevelingen zijn vaak onnauwkeurig of inconsistent. Het probleem wordt verergerd door schaarsheid van data: in een typisch filmdataset heeft meer dan 90% van alle mogelijke gebruiker‑filmparen geen beoordeling, waardoor gray sheep‑gebruikers effectief verdwijnen in de ruis.

Onzekerheid omzetten in een nuttig signaal

De auteurs stellen voor deze verwarring direct aan te pakken door onzekerheid in gebruikersgedrag expliciet te modelleren. Ze gebruiken een logische kadervoorstelling genaamd “neutrosofisch” redeneren, die de aansluiting van elke gebruiker bij een cluster in drie delen uitdrukt: hoe goed ze passen (waarheid), hoe onduidelijk die aansluiting is (onbepaaldheid), en hoe duidelijk ze er niet bij horen (valsheid). In plaats van iedereen in een enkele nette groep te dwingen, laat hun neutrosofische k‑means‑clustering gebruikers gedeeltelijke en zelfs ambigue lidmaatschappen hebben. De cluster met de grootste algehele ambiguïteit wordt de “gray sheep”‑groep: mensen wiens smaak moeilijk vast te pinnen is maar die belangrijk zijn om niet te negeren.

Een tweesporig pad voor aanbevelingen

Zodra gebruikers worden opgesplitst in mainstream‑ en gray sheep‑clusters, behandelt het systeem ze verschillend. Voor typische gebruikers wordt een standaard item‑gebaseerde collaborative filtering‑methode gebruikt: items worden met elkaar vergeleken op basis van hoe mensen ze hebben beoordeeld, en een gebruiker krijgt aanbevelingen die lijken op wat hij of zij al leuk vindt. Voor gray sheep‑gebruikers wordt dezelfde item‑gebaseerde methode toegepast, maar alleen nadat ze zorgvuldig zijn geïsoleerd door de onzekerheidsbewuste clusteringstap. Deze extra laag zorgt ervoor dat wanneer het systeem naar patronen zoekt, het elke gray sheep‑gebruiker vergelijkt met items en beoordelingspatronen die hun unieke, verspreide voorkeuren weerspiegelen, in plaats van die weg te middelen binnen de meerderheid. Experimenten houden de aanbevelingsinstellingen constant, zodat eventuele verbeteringen kunnen worden toegeschreven aan betere identificatie van gray sheep‑gebruikers en niet aan afstemmingstrucs.

Hoeveel beter wordt het echt?

De auteurs testen hun raamwerk op bekende datasets voor films (MovieLens 100K en 1M) en breiden het vervolgens uit naar boeken (Book‑Crossing) en muziek (Last.fm). Vergeleken met een populaire soft‑clusteringmethode (fuzzy c‑means) en verschillende geavanceerde clusteringhybriden behaalt hun neutrosofische aanpak consequent lagere voorspelfouten en beter succes bij het kiezen van items die gray sheep‑gebruikers daadwerkelijk waarderen. Bijvoorbeeld, in de MovieLens 100K‑dataset bereiken precisie en recall voor de gray sheep‑cluster ongeveer 89% en 91%, met merkbaar kleinere beoordelingsfouten. De methode overtreft ook meerdere deep learning‑aanbevelers wanneer specifiek op gray sheep‑gebruikers wordt geëvalueerd, ondanks het gebruik van een eenvoudigere, transparantere architectuur. Het belangrijkste voordeel is niet brute rekenkracht, maar de expliciete behandeling van onzekerheid als een volwaardig signaal.

Wat dit betekent voor alledaagse gebruikers

In eenvoudige termen laat dit werk zien dat erkennen van “ik ben niet zeker over deze gebruiker” krachtiger kan zijn dan doen alsof die onzekerheid niet bestaat. Door een aparte route uit te hollen voor mensen wiens smaak niet in standaardmallen past, haalt het voorgestelde systeem een verwaarloosd publiek terug en voorziet het hen van aanbevelingen die nauwkeuriger, diverser en bevredigender zijn. Hoewel de huidige studie zich richt op beoordelingen in plaats van rijke content zoals tekst of afbeeldingen, en voornamelijk op gray sheep in plaats van alle gebruikers, biedt het een praktisch recept: bouw aanbevelingspijplijnen die ambiguïteit detecteren, deze expliciet behandelen en gebruiken om te sturen hoe suggesties worden gedaan. Voor iedereen die ooit heeft gedacht: “deze aanbevelingen zijn niet echt voor mij,” kan die verschuiving toekomstige systemen veel persoonlijker en eerlijker laten aanvoelen.

Bronvermelding: Samir, D., El Reheem, E.A., Darwish, S.M. et al. A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users. Sci Rep 16, 9663 (2026). https://doi.org/10.1038/s41598-026-41651-8

Trefwoorden: aanbevelingssystemen, gray sheep‑gebruikers, onzekerheidsmodellering, neutrosofische clustering, collaboratief filteren