یک سیستم توصیه گر پالایش مشارکتی با استفاده از الگوریتم ژنتیک

سیستم های توصیه گر نقش مهمی در بهبود تجربه کاربری در حوزه هایی همچون تجارت الکترونیک و شبکه های اجتماعی دارند. با این حال، چالش هایی نظیر پراکندگی داده ها و مشکل شروع سرد همچنان بر کارایی آن ها اثر منفی می گذارد. در این پژوهش رویکرد توصیه فهرست اقلام با الگوریتم ژنتیک ارائه می شود که نوآوری اصلی آن بر کیفیت کل فهرست پیشنهادی به جای ارزیابی تک تک آیتم هاست. در این روش، هر فهرست پیشنهادی به عنوان یک «فرد» در الگوریتم ژنتیک مدل سازی شده و طی سه سطح پالایش مورد ارزیابی قرار می گیرد: (۱) همبستگی معنایی میان آیتم ها، (۲) شباهت مبتنی بر رضایت کاربران مشابه و (۳) امتیازهای پیش بینی شده. برای ارزیابی مدل، آزمایش ها بر روی مجموعه داده ی MovieLens۱۰۰K انجام شد. نتایج تجربی نشان داد که مدل پیشنهادی در کاهش خطای میانگین قدر مطلق و بهبود معیارهای دقت، یادآوری ومعیار F۱ نسبت به روش های مرجع شامل پالایش مشارکتی مبتنی بر ضریب پیرسون، شباهت کسینوسی و مدل های ژنتیکی موجود، عملکرد بهتری دارد. یافته ها نشان می دهد که ترکیب اطلاعات معنایی و سوابق تاریخی کاربران در سطح کل فهرست می تواند دقت و کارایی سیستم های توصیه گر را به طور معناداری افزایش دهد.

کلیدواژه ها:

پالایش مشارکتی ، سیستم توصیه گر ، الگوریتم ژنتیک ، توابع تشابه ، سیستم توصیه گر ترکیبی