مرضیه مهریان - گروه مهندسی کامپیوتر، واحد کرج، دانشگاه آزاد اسلامی، کرج
سعید علیزاده - گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران

اینترنت اطلاعات زیادی برای کاربران فراهم کرده است و حجم عظیم اطلاعات باعث بوجود آمدن مشکل سربار اطلاعات شده است. از اواسط دهه ۹۰ که سیستم های توصیه گر پا به عرصه تحقیق و پژوهش گذاردند تا به امروز پیشرفتهای چشمگیری در این زمینه حاصل شده است. بگونه ای که سیستم های توصیه گر به عنوان راه حلی با توصیه آیتم های مرتبط سعی در پیدا کردن آیتم های مورد علاقه کاربران دارند. سیستم های توصیه گر به طور گسترده در کاربردهای تجارت الکترونیک استفاده می شوند. اکثر سیستمهای توصیه گر آیتم هایی را براساس تنظیمات پروفایل کاربری و امتیازات گذشته به کاربر خاص توصیه می کنند. روش فیلترینگ مشارکتی یک شیوه پیش بینی خودکار در مورد علایق کاربر است که با جمع آوری اطلاعاتی از تعداد زیادی از کاربران به صورت مشارکتی صورت می گیرد. در این پژوهش قصد داریم با استفاده از الگوریتم خوشه بندی تکامل تفاضلی به خوشه بندی داده های Movielens بپردازیم و نتایج با الگوریتم خوشه بندی بهینه سازی مبتنی بر جغرافیای زیستی مقایسه شده است. نوآوری این تحقیق در جهت افزایش دقت خوشه بندی استفاده از الگوریتم تحلیل تفکیکی فیشر در راستای افزایش پراکندگی بین خوشه ای و کاهش پراکندگی درون خوشه ای است که باعث فشرده گی داده ها در هر خوشه و تفکیک پذیری بیشتر بین خوشه ها می شود همچنین استفاده از الگوریتم تکامل تفاضلی در جهت خوشه بندی داده ها است که به مقدار اولیه مراکز خوشه ها وابسته نیست و هدف تابع برازندگی کمینه سازی مجموع فواصل بین داده ها با مراکز خوشه ها است. نتایج نشان می دهد الگوریتم خوشه بندی تکامل تفاضلی با میانگین مربعات خطا ۰.۰۸۹۱ و متوسط دقت ۹۵.۵۹درصد به خوشه بندی داده ها می پردازد و عملکرد بهتری در مقایسه با الگوریتم بهینهسازی مبتنی بر جغرافیای زیستی دارد.

خوشه بندی، فیلترینگ مشارکتی، سیستم توصیه گر، الگوریتم تکامل تفاضلی