خوشه بندی به وسیله ماشین یادگیری افراطی در فرآیند سیستم های توصیه گر

با افزایش استفاده از تجارت الکترونیک، استفاده از سیستم های توصیه گر نیاز اساسی وب سایت های ارائه دهنده خدمات به مردم می باشند. یکی از مهم ترین بخش های هر وب سایت ارائه محصولی به یک مشتری است. که دو مزیت دارد، در درجه اول می تواند مسیر رسیدن یک مشتری به محصول موردنظر را تسریع ببخشد و در درجه دوم می تواند محصولی را به کاربر پیشنهاد کند که شاید موردنیاز کاربر بوده باشد اما کاربر به آن فکر نکرده باشد. در نتیجه می توان از سیستم های توصیه گر به عنوان سیستمی جهت بازاریابی و سوددهی نیز نگاه کرد یکی از جدیدترین روش های خوشه بندی که در مباحث یادگیری ماشین و داده کاوی مورد بررسی قرار می گیرد، الگوریتم ماشین یادگیری افراطی است. در این مقاله تلاش شده است برای اولین بار در سیستم فیلتر همکارانه در سیستم های توصیه گر با استفاده از الگوریتم خوشه بندی ماشین یادگیری افراطی،به عنوان یکی از مهم ترین روش های حل مشکل خلوت بودن داده ها، بر روی سیستم های توصیه گر صورت پذیرد تا به میزان صحت و دقت دقیق تری نسبت به الگوریتم های که از پیش تر در زمینه سیستم های توصیه گر کار شده است برسیم. یافته های این مقاله حاکی از ان می باشد که الگوریتم پیشنهادی دارای صحت دقت و بازخوانی بالاتری نسبت به الگوریتم های پیشین بوده و این مقاله توانسته است تا چالش پیشنهاد صحیح به کاربر را تا حد زیادی بهبود ببخشد.

کلیدواژه ها:

سیستم های توصیه گر ، ماشین یادگیری افراطی ، ضریب همکارانه پیرسون ، خوشه بندی ، فیلترینگ همکارانه