مدلی مبتنی بر xgboot برای مقابله با مشکل شروع سرد در سیستم های

روش پالایش مشارکتی در سیستم های توصیه گر برای ارایه پیشنهاد به کاربران، بر یافتن شباهت بین سلایقکاربران یا بین اقلام تمرکز دارد. اما این روش عموما دارای دو مشکل اساسی شروع سرد و پراکندگی ماتریسکاربر-اقلام است. در سیستم های توصیه گر مبتنی بر مدل بوسیله تکنیک های یادگیری ماشین و داده کاوی و باکمک امتیازاتی که قبلا توسط کاربران به آیتم های مختلف داده شده است، مدلی آموزش داده میشود که ازآن می توان برای بهبود کارایی پالایش مشارکتی بهره برد. هنگام ارایه پیشنهادات، این مدل از پیش ساختهشده شبیه به روشهای مبتنی بر شباهت و همسایگی عمل کرده و اقدام به ارایه پیشنهادات برای کاربر هدفمی نماید. روش های boosting در یادگیری ماشین روشهایی هستند که بوسیله آموزش تکرار شونده تعدادی یادگیرنده ضعیف، مدلی قوی ایجاد می کنند که دقت و عملکرد قابل قبولی را ارایه میدهد. در این مقاله با استفاده از نوعی بوستینگ درختی به نام xgboost،و با استفاده از اطلاعات دموگرافی کاربران و ژانر فیلم ها سیستمی طراحی گردیده است که میتواند با دقت مناسبی امتیاز احتمالی یک کاربر به یک فیلم را پیش بینی نماید. از آنجا که این سیستم تنها از اطلاعات دموگرافی کاربر و ژانر فیلم استفاده می نماید میتواند راه حلی برای مشکل شروع سرد باشد.