ارائه روشی نوین برای خوشه بندی در سیستم های توصیه گر با استفاده ازخود تشابهی

حجم فراوان و روبه رشد اطلاعات بر روی وب و اینترنت، فرآیند تصمیم گیری و انتخاب اطلاعات و یا کالاهای مورد نیاز را برایبسیاری از کاربران وب دشوار کرده است. این موضوع، خود انگیزهای شد تا پژوهشگران را وادار کند به پیدا کردن راه حلی برایرویارویی با این مشکل اساسی عصر جدید که با عنوان سرریز داده ها شناخته می شود. هدف سیستم های توصیه گر تولیدتوصیه های شخصی به کاربران در حجم انبوه اطلاعات است. در واقع، سیستم های توصیه گر بعنوان یک راهکار می توانند کاربرانرا در انتخاب اقلام یاری کنند. در این مقاله سعی شده است راهکاری مبتنی بر خوشه بندی برای افزایش دقت سیستم هایتوصیه گر در مجموعه داده های که خیلی خلوت هستند ارائه شود. استفاده از روش های خوشه بندی چالش خلوت بودن ماتریسامتیازات را تا حدی رفع می کند و مقیاس پذیری سیستم های توصیه گر را افزایش می دهد. در این سیستم ها شباهت به جای تمام ماتریس تنها در خوشه های مشابه محاسبه می شود. هدف این مقاله نشان دادن ویژگی خود تشابهی در سیستم های توصیه گر با استفاده از روش آماری است. نتایج پیاده سازی ها حاکی از این است که رفتار امتیازدهی کاربران از لحاظ آماری خود مشابه است. این رفتار می تواند برای پیش بینی امتیازهای نامعلوم استفاده شود. نتایج آزمایشات نشان می دهد که روش پیشنهادی دقتمطلوبی در مقایسه با روش های دیگر و با هزینه زمانی بسیار کمتر دارد.

Keywords:

سیستم های توصیه گر , خوشه بندی , خودتشابهی