رفع مشکل شروع سرد در سیستمهای پیشنهاددهنده با استفاده از الگوریتم C 5.0

سیستم های پیشنهاددهنده با هدف ارایه پیشنهادهای شخصیسازی شده به کاربران برای اقلامی مانند کتاب و موسیقی و سایرموارد استفاده میشوند. روشهای رایج شامل روشهای مدل مبتی بر محتوا و دیدگاه فیلترسازی مشارکتی میباشد. در این مقاله تلاش میکنیم روشی را برای بهبود عملکرد سیستم های پیشنهاددهنده در مواجه با یکی از بزرگترین چالشهای این سیستمها با عنوان شروع سرد ارایه کنیم. این مشکل در هنگام مواجه سیستم با کاربر جدید و یا اقلام جدید بوجود میآید، بعنوان مثال هنگامی که کاربر جدید وارد سیستم میشود سیستم بدلیل عدم در دسترس بودن سوابق کاربر امکان پیشنهاد اقلام جدید را به کاربر ندارد. در این مقاله مدلی را ارایه میکنیم که با استفاده از الگوریتمهای خوشهبندی، دستهبندی و روشهای پیداکردن شباهت و همچنین با استفاده از روشهای پیشگویی بتواند پیشنهاد مناسب را به کاربران جدید ارایه کند. در این مقاله با استفاده از الگوریتم دستهبندی مبتنی بر دیدگاه فیلترسازی مشارکتی خالص و همچنین با کمک اطلاعات جمعیتی کاربر به پیدا کردن کاربرانی با پسزمینه مشابه، میپردازیم. در این تحقیق از مجموع داده تهیه شده توسط گروه تحقیقاتی گروپ لنز با عنوان موویلنز استفاده کردهایم و با نمایش نتایج آزمایشها، بهبود عملکرد سیستم پیشنهاددهنده را در هنگام پیشنهاد به کاربرانی که سوابقی در سیستم ندارند در شرایط مختلف نشان میدهیم.

کلیدواژه ها:

سیستم های پیشنهاد دهنده ، شروع سرد ، فیلترسازی مشارکتی ، خوشهبندی ، دستهبندی