شیوا جلالی - دانشجوی دکتری تجارت الکترونیک، گروه مهندسی فناوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر طوسی، تهران
منیره حسینی - دانشیار، گروه مهندسی فناوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر طوسی، تهران

سیستمهای پیشنهاددهنده نقش مهمی در مواجهه با مشکلات ناشی از حجم فراوان و رو به رشد اطلاعات دارند و روش پالایش گروهی با استفاده از نظرات سایر افراد میتواند پیشنهادهایی با کیفیت مناسب تولید نماید. با افزایش داده های وابسته به زمان، وظیفه سیستم های پیشنهاددهنده فقط برآوردن علایق کاربران نیست بلکه باید رفتار پویای آنها را نیز مدل کند. در این تحقیق یک سیستم پیشنهاددهنده مبتنی بر پالایش گروهی با استفاده از روش تشخیص اجتماع پویا و محلی ارائه شده است. این سیستم از پروفایل کاربران به همراه داده های امتیاز آنها به آیتم ها استفاده کرده و تکنیک تشخیص اجتماع پویا و ارائه پیشنهاد را با هم ترکیب می کند تا راه حلی برای مشکل مقیاس پذیری و شروع سرد ارائه دهد. روش پیشنهادی با دو روش پالایش گروهی مبتنی بر یادگیری عمیق و پالایش گروهی مبتنی بر کاربر مقایسه شده و نتایج نشان می دهند که این روش عملکرد و دقت مناسب تر و بهتری نسبت به آنها دارد.

سیستم های پیشنهاددهنده، پالایش گروهی، تشخیص اجتماع محلی پویا، مقیاس پذیری، شروع سرد.