Neutrosoficzne grupowanie do obsługi niepewności rekomendacji dla użytkowników „szarych owiec”

Dlaczego niektóre osoby dostają dziwne rekomendacje

Serwisy streamingowe i platformy zakupowe często sprawiają wrażenie, że „nas znają”, ale dla wielu osób sugestie nadal mijają się z celem. Artykuł analizuje trudną grupę użytkowników, których gusta nie pasują do tłumu, i pokazuje, jak przyjęcie niepewności — zamiast jej ignorowania — może znacząco poprawić rekomendacje dla tych osób.

Użytkownicy, którzy mylą silniki rekomendacyjne

Większość systemów rekomendacyjnych uczy się na podstawie wzorców w tłumie: „osoby podobne do ciebie polubiły też te filmy, książki czy piosenki”. To działa dobrze, gdy twoje gusta są podobne do dużej grupy innych. Jednak niektóre osoby, nazywane „szarymi owcami”, lubią mieszankę popularnych i nietypowych pozycji, która nie odpowiada wyraźnie żadnej pojedynczej grupie. Ich oceny są rozproszone, system nie może znaleźć wiarygodnych sąsiadów, a proponowane sugestie są często niedokładne lub niespójne. Problem pogarsza się przy rozrzedzonych danych: w typowym zbiorze filmów ponad 90% możliwych par użytkownik–film nie ma żadnej oceny, więc użytkownicy szare owce praktycznie znikają w szumie.

Przekształcanie niepewności w użyteczny sygnał

Autorzy proponują podejść do tego problemu bezpośrednio, modelując niepewność w zachowaniu użytkownika. Wykorzystują ramy logiczne zwane rozumowaniem „neutrosoficznym”, które reprezentują dopasowanie użytkownika do klastra w trzech częściach: jak dobrze pasuje (prawda), jak niejasne jest dopasowanie (nieokreśloność) oraz jak wyraźnie do niego nie należy (fałsz). Zamiast zmuszać każdą osobę do jednego, czystego segmentu, ich neutrosoficzne grupowanie k‑średnich pozwala użytkownikom mieć częściowe, a nawet dwuznaczne członkostwo. Klastrem o najwyższej ogólnej niejednoznaczności staje się grupa „szarych owiec”: osoby, których gusta trudno jednoznacznie określić, ale których nie należy ignorować.

Dwutorowa ścieżka rekomendacji

Po podziale użytkowników na klastry mainstreamowe i szare owce, system traktuje je inaczej. Dla typowych użytkowników stosowana jest standardowa metoda filtrowania kolaboratywnego oparta na przedmiotach: przedmioty są porównywane na podstawie ocen, jakie otrzymały, a użytkownik otrzymuje rekomendacje przypominające to, co już lubi. Dla użytkowników szarych owiec ta sama metoda oparta na przedmiotach jest stosowana, ale dopiero po ich starannym wyodrębnieniu przez krok grupowania uwzględniający niepewność. Ta dodatkowa warstwa zapewnia, że gdy system poszukuje wzorców, porównuje każdego użytkownika szarej owcy z przedmiotami i schematami ocen odzwierciedlającymi jego unikalne, rozproszone preferencje, zamiast uśredniać je wewnątrz większości. Eksperymenty utrzymują ustawienia rekomendacji stałe, więc wszelkie ulepszenia można przypisać lepszemu wykrywaniu użytkowników szarych owiec, a nie zabiegom strojenia.

O ile to naprawdę poprawia wyniki?

Autorzy testują swoje podejście na znanych zbiorach danych filmowych (MovieLens 100K i 1M), a następnie rozszerzają je na książki (Book‑Crossing) i muzykę (Last.fm). W porównaniu z popularną metodą miękkiego grupowania (fuzzy c‑means) i kilkoma zaawansowanymi hybrydami klastrowymi, ich neutrosoficzne podejście konsekwentnie osiąga niższe błędy predykcji i większą skuteczność w wybieraniu pozycji, które użytkownicy szare owce faktycznie lubią. Na przykład w zbiorze MovieLens 100K precyzja i recall dla klastra szarych owiec sięgają około 89% i 91%, przy zauważalnie mniejszych błędach prognozowania ocen. Metoda przewyższa także kilka systemów rekomendacyjnych opartych na głębokim uczeniu w ocenie skoncentrowanej na użytkownikach szarych owiec, mimo że używa prostszej, bardziej przejrzystej architektury. Kluczową przewagą nie jest surowa moc obliczeniowa, lecz jawne traktowanie niepewności jako sygnału pierwszej kategorii.

Co to oznacza dla zwykłych użytkowników

Mówiąc prościej, praca pokazuje, że rozpoznanie „nie jestem pewien tego użytkownika” może być potężniejsze niż udawanie, że niepewność nie istnieje. Wyodrębnienie dedykowanej ścieżki dla osób, których gusta nie mieszczą się w standardowych schematach, pozwala odzyskać pominiętą grupę odbiorców i dostarczyć im rekomendacje, które są bardziej trafne, różnorodne i satysfakcjonujące. Choć obecne badanie skupia się na ocenach, a nie bogatych treściach takich jak tekst czy obrazy, i koncentruje się przede wszystkim na szarych owcach, a nie na wszystkich użytkownikach, oferuje praktyczną receptę: buduj potoki rekomendacyjne, które wykrywają dwuznaczność, traktują ją jawnie i wykorzystują do kierowania sposobem tworzenia sugestii. Dla każdego, kto kiedykolwiek pomyślał „te rekomendacje to nie do końca ja”, ta zmiana może sprawić, że przyszłe systemy będą wydawać się znacznie bardziej spersonalizowane i sprawiedliwe.

Cytowanie: 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

Słowa kluczowe: systemy rekomendacyjne, użytkownicy szare owce, modelowanie niepewności, neutrosoficzne grupowanie, filtrowanie kolaboratywne