استفاده از اطلاعات دموگرافیک برای کاهش مشکل کاربر جدید در سیستمهای توصیه گر

سیستمهای توصیه گر بهشدت بر روی 5 کاربر تکیه میکنند تا توصیه های دقیق ارائه دهند. این مشکل برای کاربران جدید است که برای آنها چنین اطلاعاتی موجود نیست. این مطالعه بررسی میکند که با ایجاد توصیه هایصرفا بر روی اطلاعات جمعیت شناختی کاربر میتوان این مشکل را کاهش داد. آزمایشها با استفاده از چارچوبی انجام گرفت که خوشهبندی K-means را به کار میبرد. برای ارزیابی چارچوب، مجموعه داده های مووی لنز100K 1 به مجموعهای از آزمایشها اعمال شد. درحالیکه نتایج هیچ ارتباطی بین رتبهبندی و ویژگیهای جمعیت شناختی در مجموعه داده های مووی لنز 100K نشان نداد، این امر را انکار نمیکند که چارچوب در سایر مجموعه های داده با ویژگیهای جمعیتی بیشتری موثر نیست.

Keywords:

سیستمهای توصیه گر , پالایش مشارکتی , کاربران gray-sheep , شروع سرد , مقیاس پذیری , پراکندگی داده ها.