توسعه سامانه های توصیه گر مشارکت محور با استفاده از شبکه توابع پایه شعاعی

حجم فراوان و رو به رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیم گیری و انتخاب اطلاعات، داده یا محصولات مورد نیاز را برای بسیاری از کاربران وب دشوار کرده است. سامانه های توصیه گر با پیشنهادهایی متناسب با سلیقه کاربران، آن ها را در انتخاب محصولات مورد علاقه یاری می دهند. سامانه های توصیه گر مشارکت محور، دقیق ترین توصیه ها را با بررسی و کاوش کاربران قبلی از بانک اطلاعاتی، به کاربران جدید ارائه می کنند به طوری که با علایق آن ها مطابقت داشته باشد. چالش های بسیار چشم گیری که در سامانه های مشارکت محور وجود دارد عبارت هستند از: مقیاس پذیری، تنک بودن (خلوتی) و شروع سرد. در این مقاله به ارائه یک سامانه توصیه گر مشارکت محور با استفاده از شبکه توابع پایه شعاعی می پردازیم. سامانه پیشنهادی دارای دو مرحله برون خط و برخط می باشد. در مرحله برون خط، به تخمین مقادیر صفر یا امتیازات داده نشده کاربران در ماتریس امتیازات کاربران به محصولات، با استفاده از شبکه توابع پایه شعاعی می پردازیم. در این مرحله برای تعیین مراکز توابع پایه شعاعی از الگوریتم خوشه بندی کی-میانگین و برای یافتن وزن های آن ها از روش کاهش گرادیان استفاده می کنیم. در مرحله برخط، ابتدا کاربر فعالی وارد سامانه می گردد. سپس به کمک ماتریس کامل به دست آمده از مرحله برون خط، کاربران را، از طریق محاسبه مقدار تابع تشابه پیرسون بین کاربر فعال و سایر کاربران به دو خوشه مثبت و منفی تقسیم می کنیم و با رویکرد همسایه نزدیک، پیشنهادهایی را به کاربر فعال وارد شده به سامانه بر اساس علایق او ارائه می دهیم. در این مقاله، مشکل مقیاس پذیری را با استفاده از خوشه بندی کاربران، مشکل شروع سرد را با پیشنهاد محصولات با بالاترین امتیاز و مشکل تنک بودن را با هموار نمودن ماتریس امتیازات به کمک شبکه توابع پایه شعاعی رفع می نماییم. نتایج آزمایش ها بر روی داده های MovieLens ۱۰۰K بیانگر بالابودن دقت و کیفیت پیشنهادهای ارائه شده است.

کلیدواژه ها:

سامانه توصیهگر ، شبکه تابع پایه شعاعی ، مشکل شروع سرد ، مقیاسپذیری ، ماتریس تنک