کشف الگوهای تکراری در راستای بهبود رضایت گروهی و شناسایی جوامع در سیستم های توصیه گر گروهی مبتنی بر تاثیر

گسترش استفاده از فضاهای اجتماعی و سرویس های مبتنی بر مشارکت، کاربران تقاضا برای سیستم های توصیه گری که بتوانند تعاملات و ترجیحات افراد را با ظرافت بیشتری درک کنند را افزایش داده است. در این راستا ما چارچوبی نوین برای سیستم های توصیه گر گروهی مبتنی بر تاثیر ارائه می دهیم که با بهره از تکنیک های کاوش الگوهای تکرار برای شناسایی رفتارهای همگرای کاربران استفاده می کند. در تقابل با روش های رایج با فرض برابری تمام اعضا در تصمیم گیری گروهی، راهکار ما با مدل سازی روابط، اعتماد، محاسبه شباهت از طریق فعالیت های تعاملی و برآورد نفوذ افراد بر اساس معیارهای ساختاری شبکه قادر است نقش های کلیدی در هر گروه را به صورت پویا مشخص کند. این افراد با هدایت جوامع به هماهنگی بیشتر در ترجیحات جمعی کمک کرده و ناهماهنگی های گروهی را کاهش می دهند. نقطه قوت اصلی این چارچوب تلفیق همزمان سه جزء بنیادین کشف الگوهای رفتاری، تبیین جریان نفوذ اجتماعی، و سازمان دهی پویای گروه ها، که در پژوهش های پیشین معمولا به صورت جداگانه مورد توجه قرار گرفته اند می باشد. چنین یکپارچگی امکان مقابله موثر با مسائلی همچون کمبود اطلاعات و سناریوهای راه اندازی اولیه (cold-start) را فراهم می آورد؛ چالش هایی که در ادبیات موجود کمتر مورد توجه قرار گرفته اند. ارزیابی های جامع بر روی مجموعه داده MovieLens ۲۰M نشان می دهد که روش پیشنهادی در معیارهایی همچون دقت در پیش بینی، امتیازات کیفیت لیست های توصیه شده (Top-K)، و سطح رضایت گروهی، از روش های پیشرفته مانند IBGR و Hermes پیشی می گیرد.

Keywords:

سیستم های توصیه گر , گروهی , کاوش الگوهای پرتکرار , مدل سازی , اعتماد , تاثیر کاربران , تشخیص جامعه