Signal and Data Processing

fa سامانه پیشنهادگر ترکیبی، مبتنی بر هستان‌شناسی برای مقابله با مشکل شروع سرد An Ontological Hybrid Recommender System for Dealing with Cold Start Problem مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">انتظار می‌رود سامانه‌های پیشنهادگر (RS) قلم‌های دقیق را به مصرف‌کنندگان پیشنهاد دهند. شروع سرد مهم‌ترین چالش در RS‌ها است. RS‌های ترکیبی اخیر، دو مدل پالایش محتوا پایه  (ConF)و پالایش مشارکتی (ColF) را با هم ترکیب می‌کنند. در این پژوهش، یک RS ترکیبی مبتنی بر هستان‌شناسی معرفی می‌شود که در آن هستان‌شناسی در بخش ConF به‌کار رفته است، این در حالی است که ساختار هستان‌شناسی توسط بخش ColF بهبود داده می‌شود. در این مقاله، رویکرد ترکیبی جدیدی مبتنی بر ترکیب شباهت جمعیت‌شناختی و شباهت کسینوسی بین کاربران به‌منظور حل مشکل شروع سرد از نوع کاربر جدید، ارائه شده است. همچنین، رویکرد جدیدی مبتنی بر ترکیب شباهت هستانشناسی و شباهت کسینوسی بین اقلام به‌منظور حل مسأله شروع سرد از نوع قلم جدید، ارائه شده است. ایده اصلی روش پیشنهادی، گسترش پروفایل‌های کاربر/‌قلم بر اساس سازوکارهای مختلف برای ایجاد پروفایل با عملکرد بالاتر برای کاربران/قلم‌ها است. روش پیشنهادی در یک مجموعه‌داده واقعی ارزیابی شده است و آزمایش‌ها نشان می‌دهند که روش پیشنهادی در مقایسه با روش‌های پیشرفتهRS ، به‌خصوص در مواجهه با مسأله شروع سرد، عملکرد بهتری دارد.</div> <div style="text-align: justify;">Recommender systems that predict user ratings for a set of items are known as subset of information filtration systems. They help users find their favorite items from thousands of available items. One of the most important and challenging problems that recommendation systems suffer from is the problem of dispersion. This means that due to the scatter of data in the system, they are not able to find popular items with the desired reliability and accuracy. This is especially true when there are a large number of items and users in the system and the filled ratings are low. Another challenging problem that these systems suffer from is their scalability. One of the major problems with these systems is the cold start. This problem occurs due to the small number of items rated by the user, i.e. the scatter of users. This problem is divided into two categories: new user and new item. The main focus of this article is on the problem of the new user type. This problem occurs when a new user has just logged in and has not rated any item yet, or when the user has already logged in but has been less active in rating. The goal is to address these three challenges. In this study, an ontology-based hybrid recommender system is introduced in which ontology is used in the content-based filtering section, while the ontology structure is improved by the collaborative filtering section. In this paper, a new hybrid approach based on combining demographic similarity and cosine similarity between users is presented in order to solve the cold start problem of the new user type. Also, a new approach based on combining ontological similarity and cosine similarity between items is proposed to solve the cold start problem of the new item type. The main idea of the proposed method is to extend users’/items’ profiles based on different mechanisms to create higher-performance profiles for users/items. The proposed method is evaluated in a real data set, and experiments show that the proposed method performs better than the advanced recommender system methods, especially in the case of cold start.</div> سامانه پیشنهاد‌گر, هستان‌شناسی, توسعه پروفایل, سامانه پیشنهاد‌گر ترکیبی Recommender System, Ontology, Profile Expansion, Hybrid Recommender System 1 18 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-279-14&slc_lang=fa&sid=1 payam bahrani پیام بحرانی p.bahrani@gmail.com 100319475328460010986 100319475328460010986 No 1Department of Computer Engineering, Science and Research branch, Islamic Azad University, Tehran گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران Behrouz Minaei Bidgoli بهروز مینایی بیدگلی b_minaei-at@ac.ir 100319475328460010987 100319475328460010987 No 2Department of Computer Engineering, Iran University of Science and Technology, Tehran دانشگاه علم و صنعت ایران Hamid Parvin حمید پروین parvin@iust.ac.ir 100319475328460010988 100319475328460010988 Yes 3Department of Computer Engineering, Nourabad Mamasani Branch, Islamic Azad University, Nourabad Mamasani, IR دانشگاه آزاد اسلامی واحد نورآباد ممسنی، فارس، ایران Mitra Mirzarezaee میترا میرزارضایی mitra_mirzaee@gmail.com 100319475328460010989 100319475328460010989 No 5Department of Electrical Engineering, Persian Gulf University, Bushehr دانشگاه آزاد اسلامی واحد علوم و تحقیقات Ahmad Keshavarz احمد کشاورز ahmad_keshavarz@gmail.com 100319475328460010990 100319475328460010990 No 5Department of Electrical Engineering, Persian Gulf University, Bushehr گروه مهندسی برق، دانشگاه خلیج فارس، بوشهر، ایران