بهبود سیستم های توصیه گر برپایه قاعده بیزین و پرکردن داده های ناقص

سیستم های توصیه گر به طور کلی به محتوا محور.1گروه چهار 2.دانش محور 3. فیلترینگ تجمعی 4.روش های ترکیبی تقسیم میشوند، فیلترینگ تجمعی نیزبه دو نوع اصلی مبتنی بر حافظه و مبتنی بر مدل تقسیم بندی می شوند. جهت محاسبه شباهت بین کاربران و یا آیتم ها، روش مبتنی بر حافظه از اطلاعات امتیازدهی کاربران استفاده می کند. با توجه به اینکه سیستم های پیشنهاددهنده مبتنی بر فیلترینگ تجمعی لیست پیشنهادی را با توجه به علایق مشترک کاربران ارایه می کند یکی از چالش های سیستم های پیشنهاددهنده پراکندگی داده ها است. این مشکل به علت خلوت بودن ماتریس امتیازات کاربران رخ می دهد. هرچقدر تعامل کاربر با سیستم بیشتر باشد صحت پیشنهاددهی نیز بالاتر می رود زیرا سیستم تعاملات بین کاربر وسیستم را جهت تحلیل های بعدی به خاطر می سپارد. با توجه به این مشکل در این مقاله روش پیشنهاددهی نیز بالاتر می رود زیرا سیستم تعاملات بین کاربر و سیستم را جهت تحلیل های بعدی به خاطر می سپارد. با توجه به این مشکل در این مقاله روش پیشنهادی در سه فاز انجام می شود: 1. فاز پیش پردازش پر کردن داده های ناقص 2. فاز پیش بینی: پیش بینی آیتم مورد علاقه کاربر براساس قاعده بیزین 3. فاز پیشنهاد آیتم: پیشنهاد N آیتم برتر در لیست پیش بینی به کاربر بر اساس الگوریتم TOP-نوآوری روش پیشنهادی به دو بخش تقسیم می شود. مورد اول آن در نظر گرفتن شباهت آیتم مجموعه کاربران است که در روش های گذشته فقط شباهت کاربر مجموعه آیتم ها را در نظر گرفته است و این کار سبب می شود پر کردن داده ناقص با دقت بیشتری انجام شود. مورددوم در فاز پیش بینی است که ترکیب دو تکنیک، پر کردن داده ناقص و الگوریتم بیزین تاکنون در نظر گرفته نشده است. این روش براساس فیلترینگ تجمعی مبتنی بر حافظه است که در ان جهت کاهش پراکندگی ماتریس امتیازات از تکنیک پر کردن داده ناقص استفاده شده است. همچنین جهت پیش بینی میزان علاقه مندی کاربر به یک آیتم خاص از قاعده بیزین استفاده شده است. آزمایشات انجام شده روی دیتاست Movie lens نشان می دهد که سیستم پیشنهادی خطای پیش بینی را به 0.72 کاهش و دقت پیشنهاددهی را با صحت 0.9 و فراخوانی 0.7 افزایش داده است.

Keywords:

سیستم پیشنهاد دهنده , داده ناقص , قاعده بیزین , فیلترینگ تجمعی