روشی نوین برای ارتقای دقت سیستم های توصیه گر آگاه از اعتماد

در سال های اخیر، روش های مبتنی بر پالایش گروهی (CF) برای سیستم های توصیه گر به صورتی گسترده مورد پذیرش قرار گرفته اند. یکی از این روش ها، مبتنی بر کاربر بوده که توصیه های کارآمدی را بر مبنای شباهت و از طریق رتبه بندی 2 کاربران با نظراتی مشابه، ایجاد میکند. اما این سیستمها دارای چند نقص ذاتی همانند مشکلات مربوط به پراکندگی 3 داده ها و شروع سرد 4 می باشند. با توسعه شبکه های اجتماعی، مقیاس اعتماد 5 به عنوان رویکردی جدید برای غلبه بر مشکلات پالایش گروهی ارایه شده است. سیستم های توصیه گر 6 آگاه از نظر اعتماد، روش هایی برای استفاده از گزارشهای اعتماد و داده های شخصی کاربر در شبکه های اجتماعی برای ارتقای دقت پیشبینی رتبه بندی برای کاربران با شروع سرد میباشند. همچنین، سیستم های توصیه گر مبتنی بر خوشه بندی 7، نوعی دیگر از سیستم ها برای به کارگیری کارآمد و قابل مقیاس بندی برای مجموعه داده های بزرگ می باشند، اما این سیستم ها نیز از دقت و پوشش نسبتا پایین رنج میبرند. بر این اساس در این مقاله برای مد نظر قرار دادن این مشکلات، ما یک خوشه بندی چند منظری را بر مبنای فاصله اقلیدسی 8 برای ترکیب هر دو مورد دیدگاه مربوط به شباهت و روابط اعتماد ارایه نموده که در بردارنده اعتمادهای صریح و ضمنی میباشد. نتایج آزمایش نشان میدهند که رویکرد ما میتواند به صورتی کارآمد دقت 9 و به صورتی ویژه، پوشش 10 توصیه ها را ارتقا داده و مشکل شروعسرد را کاهش دهد.

Keywords:

شروع سرد , پوشش , سیستم توصیه گر آگاه از اعتماد , خوشه بندی