استفاده از روابط اجتماعی و مرکز جرم برای بهبود دقت در سیستم های توصیه گر POI تطبیقی

امروزه، سیستم های پیشنهاددهنده از جمله سیستم های توصیه مکان های مورد علاقه کاربران برای بازدید (POI) هم در تحقیقات و هم در کاربرد واقعی به شدت مورد توجه قرار گرفته اند. از طرف دیگر افزایش تعداد کاربران اینترنت، سهولت جمع آوری داده ها و بزرگ تر شدن پایگاه های اطلاعاتی کاربران اینترنت، تحلیل داده ها و استخراج الگوهای رفتاری آنها را دشوار کرده است. این مشکل در سیستم های توصیه گر ازجمله سیستم های پیشنهاد رستوران شدیدتر است، زیرا این حوزه بسیار پویا بوده و سلیقه و نیازهای کاربران دائما در حال تغییر است. بنابراین، استفاده از یک روش کارآمد برای انتخاب رستوران بر اساس سیستم توصیه گر تطبیقی مطابق با سلیقه کاربران می تواند عملکرد رستوران را به شکل قابل توجهی بهبود دهد. در این مقاله، ما یک روش توصیه گر تطبیقی برای مکان های مورد علاقه در شبکه های اجتماعی مبتنی بر مکان پیشنهاد می کنیم. روش پیشنهادی علاوه بر رویکرد متداول پالایش مشارکتی، ویژگی های مکانی و روابط اجتماعی کاربر را نیز مورد استفاده قرار می دهد و همچنین با محاسبه مرکز جرم، دقت توصیه ها را بهبود می بخشد. برای ارزیابی مدل پیشنهادی از مجموعه داده Yelp استفاده شده و دقت پیشنهادها با چند مدل مطرح و جدید مورد مقایسه قرار گرفته است. نتایج آزمایش ها نشان داده است که عملکرد این روش نسبت به روش های مشابه اخیر ازجمله RF، NB، LR، SVM و ANN بهبود قابل ملاحظه ای ارائه می کند.

کلیدواژه ها:

سیستم های توصیه گر (RS) ، روابط اجتماعی ، نقاط مورد علاقه (POI) ، مرکز جرم ، یادگیری ماشین.