بهبود سیستم های توصیه گر با استفاده از معیار تعلق جدید و الگوریتم بهینه سازی غزال کوهی

سیستم های توصیه گر به عنوان ابزارهایی ضروری برای پالایش حجم عظیم اطلاعات آنلاین توسعه یافته اند. افزایش نیاز به شخصی سازی رفتار پویای کاربران و دسترسی گسترده به اینترنت از دلایل اصلی گسترش این سیستم هاست. این سیستم ها با تحلیل شباهت میان کاربران یا اقلام موارد مرتبط را پیشنهاد می دهند. در روش های فیلتر مشارکتی، این شباهت ها معمولا رابط های متقارن بین کاربران ایجاد می کند. برای افزایش دقت و کارایی الگوریتم توصیه ها، از روش های خوشه بندی برای گروه بندی کاربران یا اقلام مشابه استفاده می شود. در این پژوهش، روشی بهبودیافته مبتنی بر خوشه بندی ارائه شده است. ابتدا الگوریتم های بهینه سازی برای یافتن مراکز خوشه دقیق تر به کار می روند و سپس کاربران با توجه به میزان تعلق و کیفیت خوشه ها در گروه های مناسب قرار می گیرند تا توصیه های دقیق تری تولید شود. این روش بر روی مجموعه داده معتبر MovieLens ۱۰۰K ارزیابی شده و با شاخص های Recall، Precision، Accuracy، MAE، RMSE و F۱-score مقایسه شده است. نتایج نشان می دهد که روش پیشنهادی مبتنی بر الگوریتم MGO مقادیر RMSE و MAE کمتری دارد که نشان دهنده پیش بینی دقیق تر ترجیحات کاربران و کاهش خطاست. همچنین در ارزیابی طبقه بندی بالاترین مقدار F۱-score به دست آمده است که بیانگر تعادل مطلوب بین دقت و بازخوانی است. این نتایج نشان می دهد که روش پیشنهادی توانایی بالایی در شناسایی اقلام مرتبط و کاهش توصیه های نادرست دارد.

کلیدواژه ها:

سیستم های توصیه گر ، بهینه سازی غزال ، خوشه بندی ، میانگین ، بهینه سازی فراابتکاری ، فیلتر مشارکتی