افزایش کارایی سیستم های توصیه گربا استفاده از الگوریتم بهینه سازی ازدحام ذرات

با رشد روز افزون داده و اطلاعات در اینترنت و از طرفی رشد کاربران استفاده کننده از این اطلاعات و سرویسها ، لزوم وجود سیستمی را نمایان می سازد که بتواند کاربر را به سمت سرویس مورد علاقه ، البته در زمان استاندارد و با دقت قابل قبول هدایت نماید. بنابراین سیستم های توصیهگر جهت رفع این مشکلات و ارایه راه حل پا به عرصه گذاشتند از طرفی به علت وجود مسایلی همچون پراکندگیداده هاومقیاس پذیری اطلاعات ، سیستمهای توصیهگری که از روشهای سنتی و مدلهای ریاضی استفاده میکردند پاسخگوی نیاز کاربران نشدند لذا جهت بهبود سرعت و دقت طی تحقیقات انجام شده ، سیستم های توصیه گر پالایش گروهی که از فاکتورسازی ماتریس و تجزیه ماتریس استفاده میکردند توانستند تا حدودی نیاز کاربران را برآورده کنند اما امروزه که بخاطر حجم بالای اطلاعات و وجود میلیون ها کاربر، دو عامل سرعت و دقت کاملا ضروری میباشد و جزء اساسیترین شاخصهای این سیستمها میباشد . الگوریتمهای تکاملی جهت حل مشکل سرعت و کاهش میزان خطا به خاطر بروز رسانی کلیه رتبهها به صورت یکجا در این سیستمها استفاده شدند که الگوریتم ژنتیک توانسته است با حفظ خطاهای مربوطه سرعت را ارتقاء دهد .در این مقاله تلاش گردیده است جهت افزایش کارایی با استفاده از الگوریتم بهینهسازی ازدحام ذرات و سپس ادغام آن با الگوریتم آشوب رضایت هر چه بیشتر کاربران را بدست آورده و در نتیجه به توسعه تجارت الکترونیک یاری کرد.عمل شبیهسازی در نرم افزار متلب انجام شده است و نتایج حاصل از مقایسه الگوریتم هایCPSO و 2 GA نشان می دهند کهCPSOنسبت به GA توانسته است سرعت و دقت را بهبود بخشد.

Keywords:

سیستم های توصیه کننده , بهینه سازی ازدحام ذرات , پراکندگی داده , مقیاس پذیری , نظریه آشوب