ارایه یک روش جدید در بهبود دقت پیشنهاد فیلم با استفاده از درخت تصمیم

یکی از مسایل مشترک که در سامانه های توصیه گر مطرح است مشکل شروع سرد می باشد. شروع سرد اشاره به حالتی دارد که درآن، یک آیتم نمیتواند پیشنهاد داده شود، مگر اینکه توسط تعداد قابل توجهی از کاربران، امتیازدهی شده باشد. پرسش از کاربرجدید برای امتیازدهی به آیتم های جدید، جهت دریافت اولویت های کاربر، راه حل پیشنهادی برای حل این مشکل می باشد. روشپیشنهادی به کارگیری از درخت تصمیم، منطق فازی و ماتریس امتیازدهی در سامانه های توصیه گر می باشد و آن را قادر می سازد تابه عنوان روشی برای بهبود مشکل شروع سرد مورداستفاده قرار گیرد. به دلیل مشابهت فیلم های یک ژانر به یکدیگر، از یک روشبرای ایجاد خوشه مقیاس پذیر از فیلم ها مبتنی بر سامانه های توصیه گر استفاده می گردد. فیلم ها بر اساس ژانر در نرم افزار رپیدماینرخوشه بندی می شود و سیستم توصیه گر پیشنهادی بر روی خوشه های مختلف اجرا می گردد. با توجه به سلسله مراتبی بودن توالیفیلم های دیده شده توسط افراد، موتور توصیه گر (FTRS) توسط درخت تصمیم این سلسله توالی را پیدا می کند و با استفاده از تابعامتیازدهی، امتیاز کاربران به فیلم تخمین زده می شود. جهت بررسی روش پیشنهادی از مجموعه داده فیلم MovieLens استفادهمی گردد. نتایج حاصل از شبیه سازی نشان می دهد که موتور توصیه گر در مشکل شروع سرد، آیتم های با علاقه مندی بیشتر کاربر،نسبت به کارهای قبلی پیشنهاد داده است و دقت و پوشش در تخمین امتیاز آیتم های جدید به میزان یک درصد بهبودیافته است.

کلیدواژه ها:

درخت تصمیم ، سامانه های توصیه گر ، شروع سرد ، پالایش مشارکتی ، یادگیری تطبیق پذیر