A COMPARATIVE ANALYSIS OF COLLABORATIVE FILTERING TECHNIQUES FOR PERFORMANCE OPTIMIZATION IN RESTAURANT RECOMMENDATION SYSTEMS

Abstract

Recommendation systems have been widely adopted across diverse sectors to predict and suggest items that match users' preferences. The objective of the study is to investigate and compare the performance of collaborative filtering techniques, emphasizing model refinement through hyperparameter tuning via Grid Search Optimization to enhance the accuracy and reliability of restaurant recommendations. The experiments utilize consumer reviews and ratings data from Yelp. This study presents a comprehensive comparative analysis of the performance of various recommendation models, both before and after hyperparameter optimization, as well as a comparison between models using key evaluation metrics, including Mean Absolute Error and Root Mean Square Error for model accuracy, while computational efficiency is measured through Fit Time and Test Time. Furthermore, Precision@k and Recall@k metrics are employed to evaluate the effectiveness of each model in generating restaurant recommendations. The findings from the comparison emphasize the importance of acknowledging and managing inevitable trade-offs in performance to ensure that the chosen model remains consistent with the intended objectives and the contextual demands of different application scenarios.

ปัจจุบันระบบแนะนำถูกนำมาใช้ในธุรกิจและอุตสาหกรรมต่างๆ อย่างแพร่หลาย เพื่อคาดการณ์หรือสามารถแนะนำสิ่งที่ผู้ใช้งานหรือลูกค้าชื่นชอบได้อย่างถูกต้องและใกล้เคียงกับความชื่นชอบของผู้ใช้งานได้มากที่สุด โดยงานวิจัยฉบับนี้เป็นการวิจัยเชิงวิเคราะห์เปรียบเทียบวิธีการแนะนำในเทคนิคการกรองแบบพึ่งพาผู้ใช้ร่วม และดำเนินการปรับค่าพารามิเตอร์ที่เหมาะสมด้วยวิธี Grid Search Optimization เพื่อให้แบบจำลองสามารถทำงานได้อย่างมีประสิทธิภาพมากที่สุดเมื่อนำมาใช้กับชุดข้อมูลในระบบแนะนำร้านอาหาร โดยมีวัตถุประสงค์เพื่อแสดงให้เห็นข้อดี ข้อเสีย และโอกาสในการพัฒนาแบบจำลองในเทคนิคการกรองแบบพึ่งพาผู้ใช้ร่วมให้มีประสิทธิภาพที่มากยิ่งขึ้น งานวิจัยนี้ใช้ข้อมูลความคิดเห็นและการให้คะแนนของผู้บริโภคจาก Yelp โดยนำเสนอการเปรียบเทียบประสิทธิภาพของแบบจำลองต่างๆ ทั้งก่อนและหลังการปรับค่าพารามิเตอร์ที่เหมาะสม รวมถึงการเปรียบเทียบประสิทธิภาพระหว่างแบบจำลอง ผ่านการใช้ค่า Mean Absolute Error (MAE) และ Root Mean Square Error (RMSE) เพื่อประเมินประสิทธิภาพในด้านของความแม่นยำของแบบจำลอง และใช้ค่า Fit Time และ Test Time ในการเปรียบเทียบความเร็วในการประมวลผลของแบบจำลอง รวมถึงมีการเปรียบเทียบด้วยค่า Precision@k และ Recall@k เพื่อประเมินความถูกต้องแม่นยำของแบบจำลองในการคาดการณ์การแนะนำร้านอาหาร ซึ่งผลลัพธ์จากการเปรียบเทียบแบบจำลองแสดงให้เห็นความสำคัญในการพิจารณาการสูญเสียประสิทธิภาพบางอย่างของแบบจำลองเพื่อให้สอดคล้องจุดประสงค์ของงานในบริบทที่แตกต่างกัน