بهبود عملکرد سیستم توصیه گر با حل مشکل شروع سرد با استفاده از استخراج الگوهای پرتکرار مبتنی بر خوشه بندی فازی

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 27

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-15-3_002

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

یکی از چالش های مهم در سیستم های توصیه گر، مسئله شروع سرد است که به دلیل کمبود اطلاعات درباره کاربران یا آیتم های جدید، موجب کاهش دقت و کارایی توصیه ها می شود. در این پژوهش، رویکردی چند مرحله ای برای کاهش اثرات این مسئله در سیستم های توصیه گر ارائه شده است. در گام نخست، داده های مجموعه داده MovieLens پیش پردازش و برای فرآیند توصیه آماده سازی می شوند. سپس کاربران با استفاده از الگوریتم خوشه بندی فازی (FCM) گروه بندی شده و به منظور تعیین تعداد بهینه خوشه ها از الگوریتم DBSCAN بهره گرفته می شود. در ادامه، الگوریتم FP-Growth برای استخراج الگوهای پرتکرار رفتاری کاربران در هر خوشه به کار گرفته می شود. الگوهای استخراج شده مبنایی برای ارائه پیشنهادهای شخصی سازی شده فراهم می کنند و از طریق شناسایی کاربران دارای رفتار مشابه، دقت توصیه ها را افزایش می دهند. عملکرد روش پیشنهادی با استفاده از معیارهای Precision، Recall و F- measure ارزیابی شده است. نتایج حاصل بر روی مجموعه داده MovieLens-۱۰۰K به ترتیب مقادیر ۰.۷۸، ۰.۷۶ و ۰.۷۷ و بر روی مجموعه داده MovieLens-۱M به ترتیب مقادیر ۰.۸۲، ۰.۷۷ و ۰.۷۹۵ را برای معیارهای مذکور نشان می دهد. همچنین برای مواجهه با مسئله شروع سرد کاربران جدید، سه رویکرد مبتنی بر محتوا، مبتنی بر اطلاعات جمعیت شناختی و روش ترکیبی مبتنی بر پرسشنامه اولیه مورد بررسی قرار گرفت. نتایج نشان داد که رویکرد مبتنی بر پرسشنامه اولیه با مقدار دقت برابر ۰.۶۵۴ عملکرد بهتری نسبت به سایر روش ها دارد. مقایسه نتایج با پژوهش های مرتبط نیز بیانگر کارایی و برتری نسبی روش پیشنهادی در کاهش اثرات مسئله شروع سرد در سیستم های توصیه گر است.

نویسندگان

Samaneh Zirak

دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران.

Mehdi Salkhordeh Haghighi

دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • R. D. Gottapu and L. V. Sriram Monangi, "Point-Of-Interest Recommender ...
  • J. Gao, T. Zhang, and C. Xu, "A unified personalized ...
  • S. Lakshmi and Dr. T. Adi Lakshmi, "Recommendation Systems: Issues ...
  • F. Fadhel Aljunid and D. H. Manjaiah, "A Survey on ...
  • J. Ma, G. Li, M. Zhong, X. Zhao, L. Zhu, ...
  • P. Priyanga and A. R. N. Banu Kamal, "Methods of ...
  • M. Wasid and R. Ali, "An improved recommender system based ...
  • M. H. Mohamed, M. H. Khafagy, and M. H. Ibrahim, ...
  • M. Tsagkias, T. H. King, S. Kallumadi, V. Murdock, and ...
  • F. Merabet and D. Benmerzoug, "QoS prediction for service selection ...
  • P. M. Alamdari, N. J. Navimipour, M. Hosseinzadeh, A. A. ...
  • A. Pawlicka, M. Pawlicki, R. Kozik, and R. S. Choraś, ...
  • Z. Batmaz, A. Yurekli, A. Bilge, and C. Kaleli, "A ...
  • E. Kannout, M. Grodzki, and M. Grzegorowski, "Utilizing frequent pattern ...
  • E. Kannout, M. Grodzki, M. Grodzki, and H. Nguyn, "Clustering-Based ...
  • M. Grodzki and M. Grzegorowski, "Utilizing Frequent Pattern Mining for ...
  • M. L. Lalu Zazuli Azhar Mardedi, Kartarina, & Moch. Syahrir, ...
  • E. Kannout, M. Grodzki, and M. Grzegorowski, "Towards addressing item ...
  • N. Musa Al-Rezaei Golian, "Designing a hybrid recommender system to ...
  • M. Kawai, H. Sato, and T. Shiohama, "Topic model-based recommender ...
  • M. Pulis and J. Bajada, "Siamese neural networks for content-based ...
  • J. Hu, T. An, Z. Yu, J. Du, and Y. ...
  • X. Guo, T. Zhang, F. Wang, X. Wang, X. Zhang, ...
  • C. He, Y. Liu, Q. Li, C. Hong, W. Zhong, ...
  • نمایش کامل مراجع