بهبود سیستم های توصیه گر ویدئویی مبتنی بر احساسات با کمک آنتولوژی

امروزه سیستم های توصیه گر بدلیل کاربرد وسیع و اثبات عملکرد مثبتشان بروی نتایج سیستم های سنتی جایگاه ویژه ای را به خود اختصاص داده اند. بعد از ایجاد و معرفی انواع الگوریتم های فیلترینگ مشخص در این سیستم ها؛ اکنون جهت مطالعات بسمت روش ها ی بالابردن کیفیت پیشنهاد ها تغییر کرده است. یکی از روش های ایجاد پیشنهاد در سیستم های توصیه گر مدرن روش مبتنی بر معنا یا دانش محور می باشد و احساسات و عواطف یکی از معروفترین متغیرهای معنایی محسوب می شوند. پیشرفت در محاسبات عاطفی مارا قادر ساخته تا بتوانیم از تاثیر احساسات بر شخصی سازی بهره برده و منجر به توسعه سیستم ها ی توصیه گر عاطفی گردیده است. سیستم هایی که محققان کیفیت توصیه های آنها را بسیار بهبود یافته تر از توصیه های قدیمی ارزیابی می نمایند. در این مقاله سعی داریم تاثیر احساسات ، چگونگی دریافت احساسات و جایگاه احساسات در سیستم های توصیه گر را بررسی و با ایجاد برچسب های عاطفی برای آیتم ها و بررسی آنها در سه الگوریتم با ویژگی های خاص دریابیم؛ استفاده از متغیر های عاطفی در کدام روش ها نتیجه بهتری به ما خواهد داد. سیستم توصیه گر مقاله جاری ، سیستم توصیه گر فیلم خواهد بود که از برچسب گذاری های اجتماعی به عنوان داده ورودی استفاده و در بعضی بخش های الگوریتم برای گسترش آنتولوژی از واژه نامه ها کمک می گیرد تا توصیه های بهتری بدست آیند.

Keywords:

احساسات و عواطف , مدل احساسی Plutchik , سیستم های توصیه گر , رده بندی های مردمی , برچسب های اجتماعی , محاسبات عاطفی , آنتولوژی