طراحی سیستم توصیه گر مبتنی بر محتوا با تحلیل ویژگی های کاربر و محصول

سیستم های توصیه گر نقش مهمی در افزایش رضایت کاربران و بهبود تجربه کاربری در محیط های دیجیتال ایفا می کنند. پژوهش حاضر با هدف طراحی یک سیستم توصیه گر مبتنی بر محتوا با بهره گیری از نمایش نهفته آیتم ها، تحلیل ویژگی های کاربر و بازچینش فهرست انجام شده است. ابتدا مجموعه داده مورد مطالعه با پیش پردازش مناسب پاک سازی و انسجام آن تضمین شد. سپس عملکرد مدل های مختلف، شامل روش مبنایی مبتنی بر TF–IDF، روش پیشنهادی و مدل هیبرید محتوا-همکاری جمعی، با استفاده از شاخص های دقت، رتبه بندی، تنوع، تازگی و مقیاس پذیری ارزیابی شد. نتایج نشان داد که روش پیشنهادی نسبت به مدل های مبتنی بر متن ساده، بهبود قابل توجهی در دقت، F۱ و شاخص های رتبه بندی NDCG و MAP دارد و فهرست های پیشنهادی آن از نظر تنوع و تازگی نیز برتری دارد. مطالعه ابلیشن نشان داد که هر یک از مولفه های مدل نقش موثری در بهبود عملکرد دارند و ترکیب کامل آن ها عملکرد بهینه را تضمین می کند. همچنین، روش پیشنهادی توانست در شرایط سردتایی کاربران و آیتم های جدید عملکرد مناسبی ارائه دهد و محدودیت های مدل های ساده و حتی هیبرید را کاهش دهد. تحلیل مقیاس پذیری و زمان بری نشان داد که مدل پیشنهادی با وجود اندازه بزرگ تر، تعادل مناسبی میان دقت، کیفیت رتبه بندی و زمان پاسخ برقرار می کند و برای کاربردهای عملی قابل استفاده است. به طور کلی، یافته های پژوهش نشان می دهند که ترکیب نمایش نهفته، تحلیل ویژگی های کاربر و بازچینش فهرست می تواند سیستم توصیه گری ایجاد کند که دقیق، متنوع و تازه باشد و تجربه کاربری مطلوبی ارائه دهد. این پژوهش می تواند به عنوان مرجع علمی برای توسعه و بهینه سازی سیستم های توصیه گر مبتنی بر محتوا و هیبرید مورد استفاده قرار گیرد.

کلیدواژه ها:

سیستم توصیه گر ، توصیه گر مبتنی بر محتوا ، نمایش نهفته ، ویژگی های کاربر