بهبود سیستم های توصیه گر با استفاده از توسعه خوشه بندی چندگانه

سیستم های توصیه گر ابزار کارآمدی در وب سایت های تجارت الکترونیک محسوب می شوند و هدف اصلی آنها تولید پیش بینی های دقیق است. فیلترینگ مشارکتی یکی از موفق ترین روش هایی است که در سیستم های توصیه گر مورد استفاده قرار می گیرد، اما این روش از نظر جستجو برای کاربران مشابه وقتی که با مجموعه داده های بزرگی مواجه می شوند چالش بزرگی را به وجود خواهد آورد. همچنین در تشخیص علاقه کاربرانی که اطلاعات اندکی از آنها در دسترس است ضعیف عمل می کند. برای غلبه بر این مشکلات ما یک روش خوشه بندی چندگانه را توسعه می دهیم که کاربران به طور مکرر بر اساس تشابه کاربر و روابط اعتماد اجتماعی خوشه بندی می شوند. در این روش برای شناسایی کاربران مشابه از یک معیار شباهت هیورستیکی جدید استفاده می شود که دقت پیش بینی ها را افزایش می دهد. همچنین برای اینکه کاربران در دو خوشه متفاوت به طور همزمان ظاهر نشوند از مدل بردار پشتیبان رگرسیون استفاده شده است. نتایج آزمایش بر روی مجموعه داده فیلم تر است نشان می دهد که رویکرد پیشنهادی به طور موثری می تواند باعث بهبود عملکرد پیشنهادها شود و به طور میانگین مقدار دقت (MAE) حدود 0.01 بهبود داشته و توانسته بر مشکلات موجود در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی غلبه کند.

Keywords:

سیستم های توصیه گر , خوشه بندی چندگانه , معیار New Heuristic Similarity Model)NHSM) , اعتماد , فیلترینگ مشارکتی , شروع سرد