ارائه یک سیستم توصیه گر مبتنی بر سیستم پالایش مشارکتی با استفاده از ادغام خوشه بندی گراف و بهینه سازی کلونی مورچگان

سیستم های پیشنهادگر، سیستم های هوشمندی هستند که اطلاعات موجود در اینترنت را با شناسایی علایق و اولویت های هر کاربر تصحیح کرده و پیشنهادهای مناسب و مرتبط را برای کاربران ایجاد می کنند. متداول ترین الگوریتم های استفاده شده در سیستم های پیشنهادگر، الگوریتم پالایش گروهی است که نتایج نسبتا0 بهتری را نسبت به دیگر سیستم های پیشنهادگر دارد. ایده اصلی پالایش مشارکتی این است که اگر دو کاربر امتیاز مشابهی در موارد مشترک داشته باشند، علاقه های یکسانی نیز دارند. بنابراین، در این روش، پیشنهادهای ارائه شده به کاربر فعال مبتنی بر همسایگان است. یکی از مهمترین بخش های سیستم های پیشنهادی، یافتن همسایگان است ک در صورت انتخاب صحیح، می تواند دقت پیشنهادات را به شدت افزایش دهد. یکی از راه های یافتن همسایگان استفاده از معیارهای سنجش تشابه است.مقدار این شباهت را می توان با استفاده از خوشه بندی کاربر افزایش داد. بسیاری از روش های خوشه بندی موجود از برخی کاستی ها رنج می برند. ابتدا با نشان دادن تعداد دلخواه خوشه ها، باید پارامتر k را مشخص شود. به طور کلی، تعیین تعداد مناسب خوشه ها نیاز به آزمایش و خطا بسیاری دارد. برای مقابله با این موارد ، در این مقاله، یک الگوریتم انتخاب کاربر بر اساس استراتژی جستجوی ACO برای انتخاب زیر مجموعه از کاربران نهایی مرتبط با کاربر هدف پیشنهاد می شود و در پایان، کاربران انتخاب شده و مقادیر اهمیت مربوطه برای پیش بینی رتبه های ناشناخته استفاده می شوند.برای مطالعه عملکرد روش پیشنهادی، الگوریتم های همبستگی پیرسون، شباهت کسینوسی و TCFACO با روش پیشنهادی در مجموعه داده های FilmTrust، Epinions و Caio مقایسه شدند. نتایج شبیه سازی این روش ها نشان داد که در مجموعه داده FilmTrust الگوریتم پیشنهادی مقادیر کمتری از MAE و RMSE را در مقایسه با دیگر روش ها در k=10,15,20 کسب کرد؛ و در مجموعه داده Epinions، روش پیشنهادی برای تمامی مقادیر همسایگی پایین ترین میزان خطا را در مقایسه با روش های همبستگی پیرسون CF+ و شباهت کسینوسی CF+ و TCFACO دارد. در مجموعه داده Caio، روش پیشنهادی در تعداد 20 همسایه درصد بالاتری از پیش بینی های صحیح را نسبت به دیگر روش ها دارد. بنابراین، با افزایش تعداد همسایه ها، روش پیشنهادی نسبت به دیگر روش ها خطای کمتری دارد. با افزایش تعداد کاربران، استفاده از ادغام خوشه بندی گراف با بهینه سازی کلونی مورچه در انتخاب کاربران مشابه و در نظر گرفتن فاصله امتیازها در انتخاب همسایگان مشابه کاربر فعال منجر به افزایش دقت روش پیشنهادی می شود.

Keywords:

سیستم های توصیه گر , الگوریتم پالایش گروهی , تشخیص جوامع , استراتژی جسـتجوی ACO