گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
چکیده: (139 مشاهده)
سامانه های پیشنهادگر که رتبه بندی کاربران را برای مجموعه ای از قلم ها پیش بینی می کنند به عنوان زیر مجموعه سامانه های پالایش اطلاعات شناخته می شوند. سامانه های توصیه فیلم از شناخته ترین و پر کاربردترین این سامانه ها می باشند که در این پژوهش به آن پرداخته شده است. سامانه های توصیه فیلم ابزارهای کارآمدی هستند که به کاربران کمک میکنند فیلمهای مورد علاقه خود را با بررسی علایق قبلی کاربران پیدا کنند. این سیستمها بر اساس امتیاز کاربران به فیلمهای گذشته و استفاده از آنها برای پیشبینی علایق آنها در آینده ایجاد شدهاند. با این حال، امتیازدهی نامناسبی که کاربران ارائه میدهند منجر به ایجاد مشکلی به نام پراکندگی داده میشود. این مشکل موجب کاهش کارایی سیستمهای توصیه فیلم میشود. از سوی دیگر، سایر دادههای موجود مانند ژانر فیلمها و اطلاعات جمعیت شناختی کاربران، نقش حیاتی در کمک به روشهای توصیهکننده برای تولید بهتر توصیهها دارند. این مقاله یک روش توصیه فیلم را با استفاده از ژانرهای فیلم و اطلاعات جمعیت شناختی کاربران پیشنهاد میکند. همچنین ما مدلی کارآمد جهت ارزیابی پروفایل امتیازدهی کاربر و تعیین حداقل امتیاز مورد نیاز برای تولید یک پیشبینی دقیق را پیشنهاد میکنیم. سپس، امتیازات مجازی مناسب با پروفایلهایی که امتیازات نامناسبی دارند ترکیب میشوند. این امتیازدهی مجازی با استفاده از شباهت مقادیر بین کاربران بهدستآمده از ژانرهای فیلم و اطلاعات جمعیت شناختی کاربران محاسبه میشوند. علاوه بر این، یک معیار مفید برای تعیین میزان قابل اعتماد بودن یک آیتم معرفی شده است که قابلیت اطمینان امتیازدهی مجازی را تضمین میکند. در نهایت، امتیازهای ناشناخته برای کاربر هدف براساس پروفایلهای امتیازدهی توسعهیافته پیشبینی میشوند. آزمایشهای انجامشده بر روی دو مجموعه داده توصیه فیلم معروف نشان میدهد که رویکرد پیشنهادی کارآمدتر از سایر توصیهکنندههای مقایسه شده است.
شمارهی مقاله: 6
نوع مطالعه:
پژوهشي |
موضوع مقاله:
مقالات پردازش دادههای رقمی دریافت: 1401/5/19 | پذیرش: 1402/3/12 | انتشار: 1403/2/6 | انتشار الکترونیک: 1403/2/6