محمد بهنیا - دانش آموخته کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)
فرساد زمانی بروجنی - استادیار و عضوهیات علمی گروه کامپیوتر، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)

حجم عظیم داده ها در فضای اینترنت باعث سردرگمی کاربران برای یافتن آیتم مورد علاقه شان شده است. سیستم های پیشنهاد دهنده در جهت رفع این مشکل، برای تولید پیشنهاد بر طبق سلیقه کاربران از بین انبوه داده ها ایجاد شده اند. مشکل اساسی این سیستم ها، مشکل شروع سرد می باشد. این مشکل به تولید پیشنهاد برای کاربر جدید مربوط می شود. به این علت که سیستم اطلاعی از ترجیهات کاربر جدید ندارد که بر اساس آن پیشنهاد ارائه کند. در روشی که در این مقاله ارائه شده استابتدا برای هر آیتم، بردار مشخصه ای تولید می شود. سپس با محاسبه میزان علاقه مندی هر کاربر به هر یک از مشخصه های آیتم ها، برای هر کاربر نیز یک بردار مشخصه ایجاد می شود. کاربران براساس نزدیکی بردارهای مشخصه اشان خوشه بندی می شوند. سپس با تولید درخت تصمیم گیری بر اساس اطلاعات جمعیت شناختی کاربران می توانیم کاربر جدید را با توجه به اطلاعات جمعیت شناختی اش به یکی از گروه ها نسبت دهیمتا بتوانیم رتبه کاربر جدید را برای هر فیلم با توجه به رتبه های داده شده توسط همسایه های او تخمین بزنیم. نتایج آزمایشات نشان می دهد که میانگین خطای مطلق و ریشه خطای میانگین مربعات، کاهش یافته است. همچنین پیچیدگی زمانی الگوریتم ارائه شده از نوع خطی می باشد و اینکه سیستم می تواند تمام آیتم های موجود را برای کاربر جدید رتبه بندی کند.

سیستم های پیشنهاد دهنده، مشکل شروع سرد، فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا، رهیافت فیلترینگ ترکیبی