رویکرد ترکیبی خوشه بندی krillkmeans برای جداسازی بهتر کاربران در سیستم های توصیه گر پالایش مشارکتی

موضوع جداسازی کاربرا در پایگا ه داده سلایق،از اهیمت خاصی برخوردار است زیرا وجود کاربران خاکستری نرخ خطای پیشنهاد ر ا برای کاربران سفید افزایش می دهد.خوشه بندی کامینز یکی از تکنیک های خوشه بندی و جداسازی کاربران در سیستم های پالایش مشارکتی است که رویکرد مشخصی برای انتخاب اولیه خوشه ها ندارد و ممکن است در نقاط بهینه محلی گرفتار شود.استخراج ویژگی های مختلف ماتریس سلایق برای انتخاب مراکز اولیه خوشه ها نسخه های جدیدی از الگوریتم کامینز را به نام های ++kMeans ،++PkMeans و++MkMeans ومعرفی کرده است.در این مقاله به منظور تعیین مراکز بهینه خوشه ها و پرهیز از بهینه های محلی نسخه های مختلف کامینز با الگوریتم Krillترکیب شده و رویکرد ترکیبی جدیدی به نام KrillkMeans معرفی می شود.در رویکرد ترکیبی پیشنهادی KrillkMeans جمعیت اولیه الگوریتم فراابتکاری کریل با راه حل تولید شده توسط الگوریتم های توسعه یافته کامینز مانند++kMeans،++PkMeans و ++MkMeans مقدارد هی می گردد.نتایج ارائه شده برای دو دیتاستMovieLens وFilmTrust نشان مید هد که تعیین مراکز بهینه خوشه ها با الگوریتم ترکیبیKrillkMeans کیفیت خوشه ها و جداسازی کاربران را بهبود داده و دقت پیشنهادات را برای کاربران سفید افزایش می دهد

کلیدواژه ها:

سیستم های توصیه گر ، پالایش مشارکتی ، جداسازی کاربران ، MkMeans++ ، ++KrillMkMeans