؛NWS_RS: شخصی سازی پیشنهادات براساس اطلاعات کاربران و معیار شباهت وزن دار جدید

با توجه به افزایش اطلاعات در فضای اینترنت، سیستم های توصیه گر به ابزاری توانمند برای پیداکردن سلایق، راهنمایی و هدایت کاربران به سمت اقلام مورد نیاز، تبدیل شده اند. پالایش همکارانه یکی از رویکردهای اصلی این سیستم ها در امر پیداکردن کاربران هم سلیقه و پیش بینی میزان علائق کاربران به اقلام خاص است. با افزایش تعداد کاربران و اقلام در سیستم، این رویکرد دچار مشکل مقیاس پذیری می شود. از طرفی با توجه به تنک بودن ماتریس امتیازات، عملکرد سیستم کاهش می باید. از این رو، هدف این مقاله ارائه یک سیستم توصیه گر برای شخصی سازی پیشنهادات براساس اطلاعات کاربران به همراه معیارشباهت وزن دار جدید با نام NWS است. با بکارگیری اطلاعات جمعیتی کاربران از قبیل بازهی سنی، میتوان مشکل مقیاس پذیری را مدیریت کرد و پیشنهادات را برای کاربران شخصی سازی کرد. سیستم توصیه گر پیشنهادی مبتنی بر پالایش همکارانه کاربر محور بوده و با استفاده از درجه اطمینان تشابه کاربران به عنوان یک وزن در روند پیش بینی، عملکرد سیستم را ارتقا می دهد. نتایج آزمایشات سیستم توصیه گر پیشنهادی برروی مجموعه داده MovieLens صورت گرفته و ارزیابی سیستم با استفاده از معیارهای MAE ، Accuracy ، Precision ، Recall و F۱ ، بیانگر بهبود خطای پیش بینی، افزایش عملکرد و کارایی سیستم توصیه گر پیشنهادی نسبت به سایر روشهای پالایش همکارانه ای است که از معیارهای شباهت مختلفی در امر پیشنهاددهی، استفاده می کنند. حداکثر نرخ خطای بهبود یافته سیستم ۱۷.۴ درصد و ۲۰.۲ درصد به ترتیب برای کاربران ۲۰ تا ۳۹ سال و کاربران ۴۰ تا ۶۰ سال می باشد.

کلیدواژه ها:

سیستم توصیه گر ، پالایش همکارانه ، معیارشباهت وزن دار جدید NWS ، شخصی سازی پیشنهادات