En neutrosofisk klustringsmetod för att hantera rekommendationsosäkerhet för "gråfår"-användare

Varför vissa får konstiga rekommendationer

Strömningstjänster och köpsajter kan ofta kännas som om de "känner" oss, men för många personer missar förslagen ändå målet. Denna artikel undersöker en knepig grupp användare vars smak inte passar in i massan och visar hur det kan förbättra rekommendationerna avsevärt att omfamna osäkerhet – istället för att ignorera den.

De användare som förvirrar rekommendationsmotorer

De flesta rekommendationssystem lär sig av mönster i mängden: "personer som du gillade också dessa filmer, böcker eller låtar." Det fungerar bra när din smak liknar en större grupp andra. Men vissa personer, kallade "gråfår"-användare, gillar en blandning av mainstream och udda objekt som inte tydligt matchar någon enda grupp. Deras betyg är spridda, systemet hittar inga tillförlitliga grannar och de förslag som ges blir ofta felaktiga eller inkonsekventa. Problemet förvärras av glesa data: i en typisk filmdatamängd saknar mer än 90 % av alla möjliga användar–filmpair betyg, så gråfår-användare försvinner i praktiken i bruset.

Göra osäkerhet till en användbar signal

Författarna föreslår att hantera denna förvirring rakt på sak genom att uttryckligen modellera osäkerhet i användarbeteende. De använder en logikram kallad "neutrosofisk" resonemang, som representerar varje användares tillhörighet i en kluster i tre delar: hur väl de matchar (sanning), hur oklart matchen är (indeterminans) och hur tydligt de inte hör hemma (falskhet). Istället för att tvinga varje person in i en enda ren grupp tillåter deras neutrosofiska k-means-klustring att användare har partiella och till och med tvetydiga medlemskap. Det kluster som uppvisar störst total tvetydighet blir "gråfår"-gruppen: personer vars smak är svår att fastställa men som är viktiga att inte ignorera.

En tvåfilig väg för rekommendationer

När användarna har delats upp i mainstream- och gråfår-kluster behandlar systemet dem olika. För typiska användare används en standard metod för item-baserad kollaborativ filtrering: objekt jämförs med varandra baserat på hur människor har betygsatt dem, och en användare får rekommendationer som liknar det hen redan gillar. För gråfår-användare appliceras samma item-baserade metod, men först efter att de noggrant isolerats av det osäkerhetsmedvetna klustringssteget. Detta extra lager säkerställer att när systemet söker mönster jämför det varje gråfår-användare med objekt och betygsmönster som speglar deras unika, spridda preferenser, istället för att genomsnittas bort i majoriteten. Experimenten håller rekommendationsinställningarna konstanta, så eventuella förbättringar kan spåras till bättre identifiering av gråfår-användare, inte till finjusteringstrick.

Hur mycket bättre blir det egentligen?

Författarna testar sitt ramverk på välkända datamängder för film (MovieLens 100K och 1M) och utvidgar det sedan till böcker (Book-Crossing) och musik (Last.fm). Jämfört med en populär metod för mjuk klustring (fuzzy c-means) och flera avancerade klustringshybrider uppnår deras neutrosofiska ansats konsekvent lägre prediktionsfel och större framgång i att välja objekt som gråfår-användarna faktiskt gillar. Till exempel, på MovieLens 100K-datamängden når precision och återkallning för gråfår-klustret omkring 89 % respektive 91 %, med märkbart mindre betygsfel. Metoden överträffar också flera deep learning-rekommendatorer när den utvärderas specifikt på gråfår-användare, trots att den använder en enklare och mer transparent arkitektur. Den centrala fördelen är inte rå beräkningskraft, utan den uttryckliga behandlingen av osäkerhet som en primär signal.

Vad detta betyder för vanliga användare

Enkelt uttryckt visar detta arbete att erkännandet "jag är osäker på den här användaren" kan vara kraftfullare än att låtsas att osäkerheten inte finns. Genom att skapa en särskild väg för personer vars smak inte passar standardmallar återvinner det föreslagna systemet en försummad målgrupp och ger dem rekommendationer som är mer korrekta, diversifierade och tillfredsställande. Även om den aktuella studien fokuserar på betyg snarare än rika innehållstyper som text eller bilder, och främst på gråfår snarare än alla användare, erbjuder den ett praktiskt recept: bygg rekommendationspipelines som upptäcker tvetydighet, behandlar den uttryckligen och använder den för att styra hur förslag skapas. För alla som någonsin tänkt "de här rekommendationerna är inte riktigt jag" kan det här skiftet göra framtida system betydligt mer personliga och rättvisa.

Citering: 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

Nyckelord: rekommendationssystem, gråfår-användare, osäkerhetsmodellering, neutrosofisk klustring, kolaborativ filtrering