چکیده:
با توجه به گسترش روزافزون استفاده از شبکههای اجتماعی و گرایش افراد در ردههای مختلف به سمت آین شبکههاء اطلاعات
و دادههای موجود در آنها نیز افزایش یافته استء در سایتهای شبکههای اجتماعی نیاز به پیشنهاد نهتنها برای محصولات و
خدمات بلکه برای اشخاص و گروهها هم وجود دارد که بهاینترتیب کاربر میتواند به شخص یا مد حرفهای بهطور بالقوه لینک
داده شود. به همین منظورء سیستمهای توصیهگر در میان حجم عظیمی از انتخابهای ممکن برای رسیدن به گزینههای
مفید و موردعلاقه کاربران» بهعنوان سیستمهای تاثیرگذار بهمنظور راهنمایی و هدایت افراد به کار گرفته شدند. درواقع
هدف اصلی این سیستمهاء شناسایی علایق کاربران و فیلترکردن دادههای موردعلاقه کاربران از میان حجم انبوهی از دادهها
است. سیستمهای توصیهگر سنتی را میتوان به سه دسته کلی دستهبندی کرد که عبارتند از: مبتنی بر محتواء پالایش گروهی
و ترکیبی. چالشهای بسیاری در سیستمهای توصیهگر سنتی وجود دارند که این چالشها عبارتند از: تنکی دادهها
(پراکندگی)» شروع سرد. ء حمله افراد بدخواه به سیستمء مقیاس پذیری, کاربر غیر معمول, هم معنایی» عدم شفافیت» عدم
تعمیمپذیری همسایگی. در این پژوهش یک روش جدید برای بهبود سیستمهای توصیه گر با استفاده از آلگوریتم رقابت
استعماری ارائه میشود. در این روش پیشنهادی» یک الگوریتم جدید خوشهبندی برای دستهبندی کاربران و یا آیتمها در
سیستمهای توصیهگر ارائه میشود. با توجه به تحقیقات بسیاری که در مورد سیستمهای توصیهگر صورت گرفته است. هنوز
هم چالشهای بسیاری بهمنظور بررسی و رفع شدن در پیش رو هستند. که میتوان با ارائه روشهای نوینتر علاوه بر رفع
چالشهای موجود. میزان کارایی را در چنین سیستمهایی افزایش داد. این روشها عبارتند از: خوشهبندی گراف کاربران»
داده کاوی اطلاعات و استخراج قوانینء فازی سازی روابط اعتماد.
خلاصه ماشینی:
بهبود سيستم هاي توصيه گر با استفاده از الگوريتم بهينه سازي رقابت استعماري در تخمين رتبه هاي کاربران الهام کاظمي ١، الهام صادقي ٢ ١ هيئت علمي دانشگاه آزاد اسلامي واحد آبادان ٢ کارشناسي ارشد مهندسي کامپيوتر دانشگاه آزاد اسلامي واحد آبادان چکيده با توجه به گسترش روزافزون استفاده از شبکه هاي اجتماعي و گرايش افراد در رده هاي مختلف به سمت اين شبکه ها، اطلاعات و داده هاي موجود در آن ها نيز افزايش يافته است ، در سايت هاي شبکه هاي اجتماعي نياز به پيشنهاد نه تنها براي محصولات و خدمات بلکه براي اشخاص و گروه ها هم وجود دارد که به اين ترتيب کاربر ميتواند به شخص يا مد حرفه اي به طور بالقوه لينک داده شود.
هدف اصلي اين روش پيشنهادي، استفاده از معيار قابليت اطمينان به منظور افزايش دقت پيش بيني رتبه ها در 10 Data Sparsity 11 Cold Start Users 12 Memory-Based 41 سيستم هاي توصيه گر مبتني بر اعتماد ميباشد.
42 (به تصویر صفحه رجوع شود) شکل ٣: ساختار روش پيشنهادي مبتني بر خوشه بندي خوشه بندي در اين بخش ، يک روش خوشه بندي جديد و مبتني بر تئوري گراف و الگوريتم رقابت استعماري به منظور دسته بندي کاربران و يا آيتم هاي موجود در سيستم ارائه شده است .
, Collaborative Filtering Recommender Systems, in The Adaptive Web, P.
Riedl, Recommender systems in e-commerce, in Proceedings of the 1st ACM conference on Electronic commerce.
" Proceedings of the fifth ACM conference on Recommender systems.
, A survey of collaborative filtering based social recommender systems.