ارائه روشی ترکیبی از الگوریتم علی بابا و چهل دزد و K نزدیکترین همسایه در راستای بهبود دقت پیشنهادات در سیستمهای توصیه گر فیلم

با توجه به افزایش روزافزون دادهها و تنوع سلیقهها، کاربران چالشهای قابل توجهی در سیستمهای توصیه گر فیلم در زمینه مقیاس پذیری، سردرگمی کاربر و مشکل شروع سرد وجود دارد. در روش پیشنهادی این تحقیق، پروفایل کاربران با استفاده از شبکه عصبی خودرمزنگار تحلیل میشود تا ویژگیهای کلیدی استخراج گردد و بر اساس الگوی تماشای فیلم کاربران، یک ماتریس ارتباطی بین کاربران ایجاد میشود که نشان دهنده تعاملات و شباهتهاست. سپس با استفاده از الگوریتم بهینه سازی علی بابا و چهل دزد، اجتماعات کاربران شناسایی میشوند تا کاربران با سلیقههای مشابه در یک گروه قرار گیرند. برای کاربران جدید، میزان شباهت به اجتماعات شناسایی شده با استفاده از معیارهای مناسب محاسبه میشود و با بهره گیری از مفهوم K نزدیکترین همسایه، کاربر مشابه با کاربر جدید انتخاب میشود و بر اساس اطلاعات استخراج شده و رتبه بندیهای کاربران مشابه، فیلمهای مناسب به کاربر جدید پیشنهاد میشود. این تحقیق نشان میدهد که ترکیب الگوریتمهای مختلف میتواند به بهبود عملکرد سیستمهای توصیه گر کمک کند و میتواند مبنای مناسبی برای توسعه سیستمهای پیشرفته تر در آینده باشد. دقت روش پیشنهادی به ترتیب در مقایسه با روش پایه، روش GHRS_MRS و روش HFLBC_DCSNN_MRS به میزان ۵.۷۸۶۱، ۸.۰۲۴۹ و %۴.۰۲۴۹ بهبود داشته است.

کلیدواژه ها:

سیستم ، توصیهگر ، شبکه عصبی خودرمزنگار ، الگوریتم بهینه سازی علی بابا و چهل دزد ، K نزدیکترین همسایه