بهبود سیستم توصیه گر پالایش مشارکتی با استفاده از الگوریتم فراابتکاری ترکیبی جدید

چکیده- پالایش مشارکتی (CF) پرکاربردترین تکنیک سیستم توصیه گر است زیرا به جای ویژگی های کاربر یا آیتم ، بر تعاملات کاربر متکی است. روش CF مبتنی بر همسایگی (مبتنی بر حافظه) ترجیحات کاربر را برمبنای سنجش شباهت میان کاربران یا آیتم ها ، پیش بینی میکند و وزن های شباهت تاثیر قابل توجهی بر کیفیت توصیه دارند. بنابراین در این مطالعه، محاسبه شباهت بین کاربران به عنوان یک مسئله بهینه سازی فرمول بندی و یک الگوریتم فراابتکاری ترکیبی جدید برای بهبود وزن های آن پیشنهاد شده است. این الگوریتم، بهینه سازی گرگ خاکستری (GWO)، بهینه سازی شیر (LOA) و تکامل تفاضلی (DE) را برای تعیین وزن شباهت بهینه ترکیب می کند. عملکرد الگوریتم پیشنهادی با استفاده از میانگین خطای مطلق(MAE) و معیارهای دقت، فراخوانی و F ارزیابی شد. میانگین MAE برای الگوریتم پیشنهادی، گرگ خاکستری و توده ذرات به ترتیب برابر با ۴۹۱۹/۰ ، ۵۵۴۴/۰، ۵۵۷۸/۰ میباشد که نشاندهنده کاهش قابل توجهی در MAE و بهبود کیفیت پیش بینی در مقایسه با الگوریتم های پایه است. همچنین ارزیابی ها با ۱۷۵ نزدیکترین همسایه و تعداد مختلف توصیه نیز افزایش معیارهای دقت، فراخوانی و F و در نتیجه بهبود کیفیت توصیه را نشان می دهد. در نهایت الگوریتم پیشنهادی توسط توابع محک ارزیابی و با الگوریتم های گرگ خاکستری و بهینه‎ سازی توده ذرات مقایسه شد و نتایج نشان داد الگوریتم پیشنهادی در کمینه سازی عملکرد بهتری دارد.

کلیدواژه ها:

سیستم توصیه& rlm ، گر پالایش مشارکتی ، الگوریتم بهینه سازی گرگ خاکستری ، الگوریتم بهینه سازی شیر ، الگوریتم تکامل تفاضلی ، منطق فازی