بهبود سیستم های توصیه گر با استفاده از الگوریتم بهینه سازی رقابت استعماری در تخمین رتبه های کاربران

با توجه به گسترش روزافزون استفاده از شبکه های اجتماعی و گرایش افراد در رده های مختلف به سمت این شبکه ها، اطلاعات و داده های موجود در آن ها نیز افزایش یافته است، در سایت های شبکه های اجتماعی نیاز به پیشنهاد نه تنها برای محصولات و خدمات بلکه برای اشخاص و گروه ها هم وجود دارد که به این ترتیب کاربر می تواند به شخص یا مد حرفه ای به طور بالقوه لینک داده شود. به همین منظور، سیستم های توصیه گر در میان حجم عظیمی از انتخاب های ممکن برای رسیدن به گزینه های مفید و موردعلاقه کاربران، به عنوان سیستم های تاثیرگذار به منظور راهنمایی و هدایت افراد به کار گرفته شدند. درواقع هدف اصلی این سیستم ها، شناسایی علایق کاربران و فیلترکردن داده های موردعلاقه کاربران از میان حجم انبوهی از دادهها است. سیستم های توصیه گر سنتی را می توان به سه دسته کلی دسته بندی کرد، که عبارتند از: مبتنی بر محتوا، پالایش گروهی و ترکیبی. چالش های بسیاری در سیستم های توصیه گر سنتی وجود دارند که این چالش ها عبارتند از: تنکی داده ها (پراکندگی)، شروع سرد، حمله افراد بدخواه به سیستم، مقیاس پذیری، کاربر غیر معمول، هم معنایی، عدم شفافیت ، عدم تعمیم پذیری همسایگی . در این پژوهش یک روش جدید برای بهبود سیستم های توصیه گر با استفاده از الگوریتم رقابت استعماری ارائه می شود. در این روش پیشنهادی، یک الگوریتم جدید خوشه بندی برای دسته بندی کاربران و یا آیتم ها در سیستم های توصیه گر ارائه می شود. با توجه به تحقیقات بسیاری که در مورد سیستم های توصیه گر صورت گرفته است. هنوز هم چالش های بسیاری به منظور بررسی و رفع شدن در پیش رو هستند، که می توان با ارائه روش های نوین تر علاوه بر رفع چالش های موجود، میزان کارایی را در چنین سیستم هایی افزایش داد. این روش ها عبارتند از : خوشه بندی گراف کاربران، داده کاوی اطلاعات و استخراج قوانین، فازی سازی روابط اعتماد.

کلیدواژه ها:

سیستم های توصیه گر ، سیستم های مبتنی بر محتوا ، حمله افراد بدخواه به سیستم ، مقیاس پذیری.