ارائه یک معیار جدید اندازه گیری شباهت در سیستم های توصیه گر فازی

با توسعه اینترنت، بشر امروزی با رشد انفجاری و تنوع اطلاعات مواجه است و این امر تصمیم گیری در زمینه های مختلف را با چالش مواجه کرده است. بدین منظور سیستم های توصیه گر با شناسایی علایق کاربران، فیلترکردن داده ها و مدیریت اطلاعات، باعث صرفه جویی در زمان، شخصی سازی تجارت الکترونیک، بهبود بازاریابی و غیره شده است. یکی از موفق ترین روش های سیستم های توصیه گر، فیلترینگ همکاری است که مبتنی بر شباهت بین کاربران می باشد. در سیستم های توصیه گر، دقت و کیفیت توصیه ها اهمیت بسزایی دارند. راهکار های مختلفی مانند استفاده از منطق فازی برای بهبود دقت و کیفیت توصیه ها، ارائه شده است. استفاده از منطق فازی، روشی موثر برای برخورد با عدم قطعیت در اندازه گیری شباهت آیتم ها و کاربران است. در این پژوهش، روشی جدیدی برای اندازه گیری شباهت فازی به نام FSM براساس فاکتور های محبوبیت و اهمیت، در سیستم های توصیه گر فیلترینگ همکاری ارائه شده است. در روش پیشنهادی، از اعداد فازی برای بهبود دقت و کیفیت توصیه ها استفاده شده است. روش پیشنهاد شده، توسط معیار های MAE ،F۱ ، فراخوانی و صحت ارزیابی شده است. مقدار F۱ در حالت استفاده از معیار شباهت پیشنهادی نسبت به روش های مبتنی بر معیار های PIP و NHSM به ترتیب ۱۷ و ۲۰ درصد افزایش یافته است. همچنین معیارهای فراخوانی و صحت بدست آمده از این روش نسبت به دو روش مذکور نیز بهبود قابل توجهی یافته اند.

کلیدواژه ها:

recommender system ، collaborative filtering ، similarity measure ، Fuzzy set ، FSM