Abstract
امروزه سیستم توصیهگر، روش پالایش اطلاعات بین وبسایتها و کاربران را بهمنظور شناسایی علاقه کاربر و ایجاد محصول پیشنهادی برای کاربران فعال تغییر داده است. سیستمهای توصیهگر را بهطورکلی به سه گروه مبتنی بر محتوا، مبتنی بر دانش و مبتنی بر پالایش مشارکتی و در بعضی موارد ترکیبی تقسیم میکنند. ایده اصلی پالایش مشارکتی این است که اگر کاربران علایق مشابه یا یکسان در گذشته داشته باشند و آن را بهاشتراک بگذارند، در آینده نیز احتمالاً سلیقههای مشابه خواهند داشت. این رویکرد نیاز به هیچ دانشی در مورد آیتمها ندارد. پالایش مشارکتی نیز دارای دو نوع اصلی مبتنی بر حافظه و مبتنی بر مدل است. روش مبتنی بر حافظه از اطلاعات امتیازدهی کاربران برای محاسبه شباهت بین کاربران یا آیتمها استفاده میکند. هدف اصلی این پژوهش نیز ارائه یک سیستم پیشنهاددهنده مبتنی بر حافظه برای بهبود نتایج الگوریتم پالایش مشارکتی است. در روش پیشنهادی برای یافتن شبیهترین کاربران به کاربر هدف از ترکیب دو الگوریتم گرگ خاکستری فازی و الگوریتم شیر استفاده شده است. نتایج اجرای روش پیشنهادی نشان میدهد که پارامترهای Precision، Recall و F-measure نسبت به روشهای پایه افزایش یافتهاند.
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have