بررسی اثربخشی تعدادی از روش های پایه ای یادگیری ماشین درپیش بینی امتیازات

امروزه در بستر وب حجم عظیمی از اطلاعات وجود دارد بگونهای که کاربران در دریایی از اطلاعات بدنبال اقلام مرتبط با نیازها، علایق و اولویتهای خود هستند. سامانه های توصیه گر ابزاری برای مقابله با سربار اطلاعات وب هستند. روشهای پالایش اشتراکی بعنوان هسته این سامانه ها مسیولیت پالایش اطلاعات وب را متناسب با نیازها و اولویتهای کاربران بر عهده دارند. پالایش اطلاعات وب در این روشها میتواند با پیش بینی امتیازات کاربران به اقلام وب محقق شود. در این مقاله با هدف بررسی عملی مساله پیش بینی امتیازات کاربران به اقلام وب، اثربخشی تعدادی از روشهای پایهای یادگیری ماشین شامل الگوریتمهای خوشه بندیc-means ،k-means و مدل ترکیبی گوسی همراه با الگوریتم نزدیکترین همسایه ها در کنار روش تجزیه ماتریسی با استفاده از داده های واقعی بعنوان راه حل هایی برای این مساله مورد بررسی قرار گرفتهاند. نتایج آزمایشات انجام شده بر روی مجموعه داده های MovieLensنشان دهنده برتری روش تجزیه ماتریسی در مساله پیش بینی امتیازات نسبت به روشهای ذکر شده دیگر است.

Keywords:

سامانه توصیه گر , پالایش اشتراکی , پیش بینی امتیازات , c-means , k-means , مدل ترکیبی گوسی , نزدیکترین همسایه ها , تجزیه ماتریسی