افزایش دقت پیش بینی توصیه به کاربر سرد در یک سیستم توصیه گر

سیستم توصیه گر یک ابزار کارآمد است که به تصمیم گیری برای انتخاب اقلام هایی مطابق با اولویت ها و علایق کاربران کمک می کند. یکی از مشکلات سیستم های توصیه گر مشکل شروع سرد است. پدیده شروع سرد به کمبود رتبه های اولیه از آیتم ها یا کاربران در یک سیستم توصیه گر اشاره دارد. این مشکل سه نوع جامعه جدید، اقلام جدید و کاربر جدید است. مشکل شروع سرد کاربر مربوط به زمانی است که یک کاربر جدید وارد سیستم می شود یا در سیستم حضور دارد و رتبه های کمی را ثبت کرده بنابراین سیستم اطلاعات کمی از او دارد. یکی از روش های مقابله با این مشکل خوشه بندی است. در این مقاله با تمرکز بر خوشه بندی کاربران به دنبال ایجاد شرایطی برای ساخت توصیه هایی با دقت هرچه بیشتر هستیم تا از این طریق بتوان به کاربران سیستم اقلامی تقریبا مشابه با سلیقه آنها پیشنهاد داد. در روش پیشنهادی با استفاده از الگوریتم خوشه بندی فازی C-Means کاربران را خوشه بندی کرده و با رفع یکی مشکلات آن یعنی تعیین تعداد خوشه ها که باید از قبل مشخص باشد سعی در بهبود خوشه بندی داریم. روش مورد نظر بر روی مجموعه داده های موویلنس آزمایش شد که نتایج به دست آمده در مقایسه با الگوریتم K-Means و K-Medoids نشان دهنده کاهش میزان خطا و در نتیجه افزایش دقت پیش بینی است.

کلیدواژه ها:

سیستم توصیه گر ، شروع سرد ، خوشه بندی فازی ، دقت پیش بینی