ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی

سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

دوره 1، شماره 1، مهر 1399، صفحه 55-64   

نوع مقاله: مقاله پژوهشی

نویسندگان

مهدی بازرگانی^{* 1}؛ زینب همایونپور²

¹استادیار دانشگاه آزاد اسلامی واحد زنجان

²گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد زنجان، زنجان، ایران

چکیده

سیستم‌های توصیه‌گر با تحلیل و بررسی داده‌های متعلق به کاربران، یک سری آیتم‌های خاص را برمبنای علایق به کاربران پیشنهاد می‌کنند. هدف از آنالیز داده‌های مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیش‌بینی آیتم‌ها می‌باشد. یکی از مهمترین روش‌ها در سیستم‌های توصیه‌گر، روش فیلترینگ مشارکتی است. در سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی از معیارهای شباهت جهت کشف کردن کاربران مشابه با کاربر جدید برای ارائه پیشنهاد استفاده می‌شود. از چالش‌های سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی می‌توان به فاکتورهای شباهت و تشخیص همسایگی اشاره کرد. در این مقاله از روش نزدیک‌ترین همسایه به منظور تشخیص همسایگان مشابه به کاربر جدید برمبنای فاصله استفاده می‌کنیم. مدل پیشنهادی که برگرفته از روش کاربر-آیتم است، امتیاز اقلام برمبنای فاصله محاسبه می‌شود و نزدیکترین فاصله به منظور تشابه انتخاب می‌شود. در مدل پیشنهادی، تشخیص کاربران مشابه براساس ماتریس کاربر-آیتم توسط فاصله اقلیدسی انجام می‌شود. آزمایشات مدل پیشنهادی برروی مجموعه داده Movielens که شامل ۱۶۸۲ آیتم است انجام شده است. برای ارزیابی از معیارهای دقت، فراخوانی، F1، میانگین خطای مطلق و میانگین خطای مربعات ریشه استفاده شده است. میانگین خطای مطلق در مدل پیشنهادی در مقایسه با شباهت پیرسون و کسینوسی کمتر است و مقدار آن برابر با 0.7315 می‌باشد. در نتیجه دقت مدل پیشنهادی در تشخیص تشابه و پیش‌بینی بیشتر است.

کلیدواژه‌ها

سیستم‌های توصیه‌گر؛ فیلترینگ مشارکتی؛ نزدیکترین همسایه؛ میانگین خطای مطلق

مراجع

 

• [1] Duma, B. Twala, Optimising latent features using artificial immune system in collaborative filtering for recommender systems, Applied Soft Computing, Volume 71, pp. 183-198, 2018.
• [2] Jiang, S.C. Fang, Q. An, J.E. Lavery, A sub-one quasi-norm-based similarity measure for collaborative filtering in recommender systems, Information Sciences, Vol. 487, pp. 142-155, 2019.
• [3] Valcarce, A. Landin, J. Parapar, A. Barreiro, Collaborative filtering embeddings for memory-based recommender systems, Engineering Applications of Artificial Intelligence, Vol. 85, pp. 347-356, 2019.
• [4] Zhang, T. Gong, V.E. Lee, G. Zhao, Guangzhi Qu, Fast algorithms to evaluate collaborative filtering recommender systems, Knowledge-Based Systems, Vol. 96, pp. 96-103, 2016.
• [5] Mohammadpour, A.M. Bidgoli, R. Enayatifar, H.H.S. Javadi, Efficient clustering in collaborative filtering recommender system: Hybrid method based on genetic algorithm and gravitational emulation local search algorithm, Genomics, In press, corrected proof, Available online 3 January 2019
• [6] Parvin, P. Moradi, S. Esmaeili, TCFACO: Trust-aware collaborative filtering method based on ant colony optimization, Expert Systems with Applications, Vol. 118, pp. 152-168, 2019.
• [7] Kant, T. Mahara, V.K. Jain, D.K. Jain, A.K. Sangaiah, LeaderRank based k-means clustering initialization method for collaborative filtering, Computers & Electrical Engineering, Vol. 69, pp. 598-609, 2018.
• [8] Wasid, V. Kant, A Particle Swarm Approach to Collaborative Filtering based Recommender Systems through Fuzzy Features, Procedia Computer Science, Vol. 54, pp. 440-448, 2015.