افزایش دقت خوشه بندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مولفه اصلی و k نزدیک ترین همسایگی

سیستم های توصیه گر یکی از موثرترین ابزارهای موجود در دنیای الکترونیک می باشند و هدف اصلی آنها تولید پیش بینی های دقیق است تا اینکه کاربران با صرف زمان و انرژی کمتر به اطلاعات و مورد نظر خود دسترسی پیدا کنند . خوشه بندی سبب بهینه سازی فعالیت جستجوی اطلاعات در این سیستم ها شده و زمان جستجوی کاربر را کاهش می دهد. در برخی از سیستم های توصیه گر، مسئله توصیه اشیاء برای کاربر جدید که اولین ورود را تجربه می کند وجود دارد. راه حل هایی برای حل این مسئله با عنوان درج داده جدید با استفاده از الگوریتم نزدیک ترین همسایگی ارائه شده است. در این مقاله با استفاده ترکیبی الگوریتم های شبکه های عصبی پرسپترون چندلایه، نزدیک ترین همسایگی دقت خوشه بندی داده ها را بهبود می بخشد به طور یکه داده ورودی در خوشه مناسب تر قرار گیرد. این کار به این صورت انجام می شود که داده ورودی به الگوریتم با هر دو روش موجود، خوشه بندی شده و سپس بین نتایج به دست آمده رای گیری خواهد شد. در این پژوهش از پایگاه داده موجود که شامل امتیازهای داده شده هزار کاربر به گروه های فیلم مختلف می باشد استفاده شده است که این داده ها در روش پیشنهادی نرمال سازی شده و داده ها در فضای جدیدی به ورودی سیستم فرستاده می شوند. که فضای جدید معرفی شده در این پژوهش توانسته قدرت افتراق پذیری بالایی بین خوشه های موجود ایجاد کرده و در نتیجه خروجی نهایی سیستم ب هدقت قابل قبولی دست یابد. نتایج آزمایش های انجام شده بر روی این داده ها نشان می دهد روش پیشنهادی توانسته به دقت 93.81 و صحت 94.45 و فراخوانی 93.50 درصد در تشخیص و خوشه بندی داده ها موفق باشد.

Keywords:

سیستم های توصیه گر , خوشه بندی , دسته بندی , k نزدیک ترین همسایه , شبکه عصبی پرسپترون