FNHSM_HRS: سیستم توصیه‌گر ترکیبی مبتنی بر خوشه‌بندی فازی و معیار شباهت اکتشافی

نوع مقاله : ویژه نامه

نویسندگان

دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

20.1001.1.27174409.1398.2.2.3.3=DOR

چکیده

امروزه سیستم‌های توصیه‌گر به یک سیستم فراگیر برای راهنمایی و هدایت کاربران در حجم عظیمی از داده در اینترنت، تبدیل شده است. پالایش همکارانه که پیشنهادات به کاربر فعال را براساس امتیازدهی مجموعه‌ای از کاربران ارائه می‌دهد،‌ یکی از مدل‌های ساده و قابل درک و موفق برای پیدا کردن افراد هم سلیقه در سیستم‌های توصیه‌گر است. در این مدل،‌ با افزایش تعداد کاربران و اقلام، سیستم دچار مشکل مقیاس پذیری می‌شود. از طرفی دیگر بهبود عملکرد سیستم در مواقعی که اطلاعات کمی از امتیازات دردسترس داریم، امری مهم است. در این مقاله یک سیستم توصیه‌گر ترکیبی به نام FNHSM_HRS که مبتنی بر معیار شباهت اکتشافی (NHSM) به همراه خوشه‌بندی فازی است،‌ ارائه شده است. استفاده از روش خوشه‌بندی فازی در سیستم پیشنهادی باعث بهبود پذیری مساله مقیاس پذیری گشته و دقت پیشنهادات سیستم را افزایش می‌دهد. سیستم پیشنهادی مبتنی بر مدل پالایش همکارانه بوده و با استفاده از معیار شباهت اکتشافی، عملکرد و صحت سیستم را ارتقا می دهد. ارزیابی نتایج سیستم پیشنهادی برروی مجموعه داده MovieLens صورت گرفته، نتایج ارزیابی با استفاده از معیارهای MAE، Accuracy، Precision و Recall بیانگر بهبود کارایی سیستم و افزایش دقت پیشنهادات نسبت به روش‌های پالایش همکارانه‌ای که از معیارهای دیگری برای پیدا کردن شباهت استفاده می نمایند،‌ می‌باشد.

کلیدواژه‌ها


[1] Aggarwal, C. (2016) Recommender systems. Springer International Publishing.
 
[2] Ahn, H. (2008) A new similarity measure for collaborative filtering to alleviate the new user cold-starting Problem, Information Sciences, 178.1, 37-51.
 
[3] Adomavicius G. and Tuzhilin A. (2005) Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions, IEEE Transactions on Knowledge Data Engineering, 6, 734-749.
 
[4] Bellogín, A., Castells, P. and Cantador, I. (2013) Improving memory-based collaborative filtering by neighbour selection based on user preference overlap, Proceedings of the 10th Conference on Open Research Areas in Information Retrieval.
 
[5] Bobadilla, J., Ortega, F., Hernando, A. and Bernal, J. (2012) A collaborative filtering a roach to mitigate the new user cold start problem,Knowledge-Based Systems, 26, 225-238.
 
[6] Cacheda, F., Carneiro, V., Fernández, D. and Formoso, V. (2011) Comparison of collaborative filtering algorithms: Limitations of current techniques and proposals for scalable, high-performance recommender systems, ACM Transactions on the Web (TWEB), 5.1.
 
[7] Goldberg, D., Nichols, D., Oki, B. and Terry, D. (1992) Using collaborative filtering to weave an information tapestry, Communications of the ACM, 35.12, 61-70.
 
[8] Hahsler, M. (2011) Developing and testing top-n recommendation algorithms for 0-1 data using recommenderlab, NSF Industry University Cooperative Research Center for Net-Centric Software and System.
 
[9] Javari, A., Gharibshah, J. and Jalili, M. (2014) Recommender systems based on collaborative filtering and resource allocation, Social Network Analysis and Mining, 4.1.
 
[10] Koohi, H. and Kiani, K. (2016) User based Collaborative Filtering using fuzzy C-means, Measurement, 91, 134-139.
 
[11] Konstan, J., Miller, B., Maltz, D., Herlocker, J., Gordon, L. and Riedl, J. (1997) GroupLens: a lying collaborative filtering to Usenet news, Communications of the ACM, 40.3, 77-87.
 
[12] Liu, H., Hu, Z., Mian, A., Tian, H. and Zhu, X. (2014) A new user similarity model to improve the accuracy of collaborative filtering, Knowledge-Based Systems, 56, 156-166.