ارائه یك الگوریتم خوشه بندی جدید مبتنی بر روش PCA و بهینه سازی شاهین هریس و الگوریتم k-means برای فیلترینگ مشاركتی در سیستم توصیه گر فیلم

سال انتشار: 1399
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,101

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ECMCONF04_027

تاریخ نمایه سازی: 6 دی 1399

چکیده مقاله:

سيستم هاي توصيه گر، سيستم هايي هستند كه كاربران را، جهت يافتن نيازهايشان از ميان انبوهي از اطلاعات ياري مي رسانند. اين سيستم ها، به دنبال خودكار سازي فرآيند راهنمايي هستند. سيستم هاي توصيه گر در زمينه هاي مختلفي اعم از شبكه هاي اجتماعي، وب سايت هاي آنلاين و غيره استفاده مي شوند. يكي از روش هاي مرسوم توصيه گر ها فيلترينگ مشاركتي است. شباهت كاربران بر اساس رتبه بندي قبلي محاسبه مي شود و سپس مواردي كه مورد سلايق كاربران مشابه بوده است توصيه مي شود. با اين حال چالش هاي نظير شروع سرد وجود دارد. در اين مقاله، ابتدا با الگوريتم PCA به دنبال كاهش داده هاي غير مفيد هستيم. سپس از الگوريتم k-means براي خوشه بندي استفاده مي كنيم. اين روش به دليل حساسيت به نقاط شروع داراي چالش هايي است كه بر روي عملكرد آن تاثير مي گذارد. براي حل اين مشكل از بهينه سازي شاهين هريس كه در سال 2019 ارائه شده است استفاده مي كنيم. در اين پژوهش، يك نسخه توسعه يافته از اين الگوريتم همراه با تابع تناسب مناسب پيشنهاد مي شود. نتايج نشان مي دهد كه روش پيشنهادي به خوبي توانسته است روش هاي دقبلي را بهبود دهد و توصيه هاي دقيق تري را ارائه دهد و عملكرد بهتري در برابر چالش شروع سرد از خود نشان دهد

کلیدواژه ها:

سیستم توصیه گر ، فیلترینگ مشارکتی ، کاهش داده ، بهینه سازی شاهین هریس .K-means

نویسندگان

خدیجه بیگلری

دانشجوی کارشناسی ارشد، موسسه غیرانتفاعی روزبهان، ساری، ایران

ابوالفضل لاکدشتی

عضو هیات علمی دانشگاه، موسسه غیرانتفاعی روزبهان، ساری، ایران

موسی نظری

عضو هیات علمی دانشگاه، موسسه غیرانتفاعی روزبهان، ساری، ایران