تنوع بخشی شخصی سازی شده در سیستم توصیه گر با استفاده از الگوریتم شبیه سازی تبرید دوهدفه

افزایش حجم اطلاعات روی وب، موجب تولید ابزارهایی شد که پیدا کردن اطلاعات مرتبط به کاربران را برای آنها آسان تر کنند. یکی از این ابزارها که امروزه جزء مهمی از سیستم های تجارت الکترونیکی است، سیستم توصیه گر است. طراحی الگوریتم های توصیه معمولا با هدف بهبود دقت انجام می شود؛ اما ثابت شده که تمرکز روی این معیار به تنهایی برای ساخت یک توصیه گر خوب کافی نیست و توجه به ابعاد دیگر این سیستم ها نیز ضروری است. یکی از معیارهای مهم که در سال های اخیر مورد توجه قرار گرفته، تنوع اقلام لیست توصیه است. افزایش تنوع در توصیه ها منجر به کاهش دقت می شود. مسالهی مطرح در این رابطه، میزان مناسب تنوع بخشی به توصیه ها است. از آنجا که نیاز هر کاربر به تنوع با کاربران دیگر متفاوت است، می توان تنوع بخشی را متناسب با نیاز هر کاربر انجام داد. در این پژوهش روشی مبتنی بر شبیه سازی تبرید دوهدفه ارائه می شود که با استفاده از آن می توان برای هر کاربر یک لیست توصیه بهینه بر مبنای دو معیار دقت و تنوع شخصی سازی شده ایجاد کرد. نتایج اجرای روش پیشنهادی روی داده های Movielens و Netflix نشان می دهد که با این روش تنوع بخشی شخصی سازی شده در ازای حداکثر ۳۵/۵ درصد کاهش دقت نسبت به روش استاندارد پالایش مشارکتی انجام می شود.

تنوع بخشی شخصی سازی شده در سیستم توصیه گر با استفاده از الگوریتم شبیه سازی تبرید دوهدفه Keywords:

سیستم توصیه گر , تنوع بخشی , شخصی سازی , شبیه سازی تبرید