Asian Journal of Multidimensional Research (ajmr)

2.

 

LITERATURE REVIEW 

A  recommendation  system  is  based  on  an  algorithm  that  can  learn  the  user's  preferences  and 

automatically  suggest  a  feature  or  a  product  to  the  users(Chen  et  al.,  2008).  These  systems  are 

prevalent  nowadays  because  they  assist  the  sellers  on  how  to  keep  the  customers  engaged  by 

providing  the  content,  products,  or  features  which  they  would  be  interested  in.  ("How  Do 

Recommendation Engines Work? What Are the Benefits?" 2021; Liu et al., 2021) 

Several techniques have been developed over time to create different algorithms which enhance 

the  recommendation  systems.  In  1993,  "Association  Rules  Mining  (ARM)"  was  introduced  by 

Agarwal. This technique proposed the famous Apriori algorithm, used to find relations between 

different  items  in  databases.  According  to  this,  Alex  Tze  Hiang  Sim,  Hosein  Jafarkarimi1,  and 

Robab Saadatdoost came up with a 'Proposed model.'In this model, they proposed to pre-process 

the  available  data,  use  FP  growth  to  perform  ARM,  store  them  in  a  sparse  matrix  and  use  the 

matrix to find relations to make a recommendation. (Jafarkarimi1 et al., 2012) 

Furthermore,  the  most  popular  technique  for  recommendation  is  the  "Collaborative  Filtering 

System,"which uses user's preferences to recommend content, products, and features. In contrast, 

content-based  filtering  recommends  the  viewers  products  and  content  based  on  their  past 

activity.  Asikis  and  G.  Lekakos  developed  a  "Collaborative  Metaheuristic  Algorithm 

(CMA)"based on the collaborative filtering system, which could be used as a metaheuristic and a 

constructive algorithm. CMAadded items based on their combined scores to construct a solution 

from zero.(Asikis & Lekakos, 2014) 

These  traditional  methods  were  built  keeping  in  mind  the  preference  of  the  customers  and 

neglected  profit  for  the  seller.  ThereforeMu-Chen  Chen,  Fei-Hao  Hsu,  Long-Sheng  Chen,  Mu-

Chen  Chen,  and  Yuan-Chia  Hsu  proposed  two  models,  which  are  the  "Hybrid  Perspective 

Recommender  System  (HPRS)"and  the  "Convenience  plus  Profitability  Perspective 

Recommender System  (CPPRS)."The latter technique recommends  products  based on purchase 

probability  and  product  profitability.  Hybrid  Perspective  Recommender  System  (HPRS)  is  a 

technique  that  uses  both  the  purchase  probability  of  similar  customers  and  the  product 

profitability  to  make  recommendations.  Some  experiments  conducted  further  indicated  that 

HPRS can generate profit while keeping more accurate recommendations.(Chen et al., 2008) 

---

ISSN: 2278-4853         Vol 10, Issue 9, September, 2021        Impact Factor: SJIF 2021 = 7.699