دوره 21، شماره 1 - ( 3-1403 )
جلد 21 شماره 1 صفحات 124-113 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hamidzadeh J, Moradi M. Improving Collaborative Recommender Systems by Integrating Fuzzy C-Ordered Means Clustering and Chaotic Self-Adaptive Particle Swarm Optimization Algorithm. JSDP 2024; 21 (1) : 9
URL: http://jsdp.rcisp.ac.ir/article-1-1129-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1129-fa.html
حمیدزاده جواد، مرادی منا. بهبود پالایش مشارکتی در سیستم‌های توصیه‌گر با کمک خوشه‌بندی فازی C– میانگین مرتب‌شده و الگوریتم ازدحام ذرات تطبیقی – آشوبی. پردازش علائم و داده‌ها. 1403; 21 (1) :113-124
دانشگاه صنعتی سجاد
چکیده: (326 مشاهده)
سیستم‌های توصیه‌گر زیرمجموعه‌ای از سیستم‌های هوشمند پالایش اطلاعات هستند که در فضای اینترنت علایق کاربر را شناسایی نموده و توصیه‌های مرتبط با سلیقه‌ی کاربر را ارائه می‌دهند. پالایش مشارکتی مبتنی بر کاربر، از مهم‌ترین انواع سیستم‌های توصیه‌گر است. از مهم‌ترین چالش‌ها در این سیستم‌ها پراکندگی و حجم زیاد داده‌ها است که بر کارایی آن‌ها اثرگذار است. در روش پیشنهادی، برای اولین بار از الگوریتم خوشه‌بندی فازی C-میانگین مرتب‌شده و الگوریتم تکاملی ازدحام ذرات تطبیقی آشوبی برای خوشه‌بندی کاربران استفاده شده است. هدف روش پیشنهادی بهبود میزان خطای پیش‌بینی در مجموعه داده‌های حجیم با پراکندگی زیاد و کاهش تأثیر داده های پرت و نویز است. به منظور ارزیابی و اثبات کارایی روش پیشنهادی، آزمایش‌هایی روی پایگاه داده‌های واقعی اجرا شده است. نتایج آزمایش‌ها نشان‌دهنده‌ی برتری روش پیشنهادی نسبت به روش‌های مرز دانش بر اساس معیارهای میانگین خطای مطلق، جذر میانگین مربعات خطا، نرخ صحت و زمان محاسباتی است.
شماره‌ی مقاله: 9
واژه‌های کلیدی: سیستم توصیه‌گر، پالایش مشارکتی، خوشه‌بندی فازی، الگوریتم تکاملی، الگوریتم ازدحام ذرات تطبیقی آشوبی
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1399/1/11 | پذیرش: 1402/11/28 | انتشار: 1403/5/13 | انتشار الکترونیک: 1403/5/13
دریافت: 1399/1/11 | پذیرش: 1402/11/28 | انتشار: 1403/5/13 | انتشار الکترونیک: 1403/5/13
فهرست منابع
1. P. Lops, M. Polignano, C. Musto, A. Silletti, and G. Semeraro, "ClayRS: An end-to-end framework for reproducible knowledge-aware recommender systems," Information Systems, vol. 119, p. 102273, 2023, doi:
https://doi.org/10.1016/j.is.2023.102273 [DOI:10.1016/ j.is.2023.102273.]
2. J.-C. Zhang, A. M. Zain, K.-Q. Zhou, X. Chen, and R.-M. Zhang, "A review of recommender systems based on knowledge graph embedding," Expert Systems with Applications, vol. 250, p. 123876, 2024, doi:
https://doi.org/10.1016/j.eswa.2024.123876 [DOI:10.1016 /j.eswa.2024.123876.]
3. [A. Ghannadrad, M. Arezoumandan, L. Candela, and D. Castelli, "Recommender systems for science: A basic taxonomy," 2022, pp. 1-8.
4. K. Saini and A. Singh, "A content-based recommender system using stacked LSTM and an attention-based autoencoder," Measurement: Sensors, p. 100975, 2023, doi: https://doi.org/ 10.1016/ j.measen.2023.100975.
https://doi.org/10.1016/j.measen.2023.100975 [DOI:10.1016/ j.measen.2023.100975.]
5. [P. B. Thorat, R. Goudar, and S. Barve, "Survey on collaborative filtering, content-based filtering and hybrid recommendation system," International Journal of Computer Applications, vol. 110, no. 4, 2015. [DOI:10.5120/19308-0760]
6. [M. Moradi and J. Hamidzadeh, "Ensemble-based Top-k Recommender System Considering Incomplete Data," Journal of AI and Data Mining, 2019.
7. [X. Su and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in artificial intelligence, vol. 2009, 2009. [DOI:10.1155/2009/421425]
8. C. C. Aggarwal, Recommender systems. Springer, 2016. [DOI:10.1007/978-3-319-29659-3]
9. p. bahrani, B. Minaei Bidgoli, H. Parvin, M. Mirzarezaee, and A. Keshavarz, "An Ontological Hybrid Recommender System for Dealing with Cold Start Problem," jsdp, vol. 19, no. 1, pp. 1-18, 2022, doi: 10.52547/jsdp.19.1.1. [DOI:10.52547/jsdp.19.1.1]
10. R. Yera and L. Martinez, "Fuzzy tools in recommender systems: A survey," International Journal of Computational Intelligence Systems, vol. 10, no. 1, pp. 776-803, 2017. [DOI:10.2991/ijcis.2017.10.1.52]
11. E. G. Muñoz, J. Parraga-Alava, J. Meza, J. J. Proaño Morales, and S. Ventura, "Housing fuzzy recommender system: A systematic literature review," Heliyon, vol. 10, no. 5, p. e26444, 2024, doi:
https://doi.org/10.1016/j.heliyon.2024.e26444 [DOI:10.1016/j.heliyon.2024.e26444.]
12. F. Houshmand-Nanehkaran, S. M. Lajevardi, and M. Mahlouji-Bidgholi, "Optimization of fuzzy similarity by genetic algorithm in user-based collaborative filtering recommender systems," Expert Systems, vol. 39, no. 4, p. e12893, 2022, doi:
https://doi.org/10.1111/exsy.12893 [DOI:10.1111/exsy.12893.]
13. m. robati anaraki and n. riahi, "An evolutionary approach for automating the selection of optimum Algorithm in Collaborative Filtering Recommender Systems," jsdp, vol. 20, no. 1, pp. 59-78, 2023. [Online]. Available: http://jsdp.rcisp.ac.ir/article-1-1206-en.html. [DOI:10.61186/jsdp.20.1.59]
14. H. Koohi and K. Kiani, "User based Collaborative Filtering using fuzzy C-means," Measurement, vol. 91, pp. 134-139, 2016. [DOI:10.1016/j.measurement.2016.05.058]
15. R. Katarya and O. P. Verma, "An effective web page recommender system with fuzzy c-mean clustering," Multimedia Tools and Applications, vol. 76, no. 20, pp. 21481-21496, 2017. [DOI:10.1007/s11042-016-4078-7]
16. X. Li and D. Li, "Improved Hybrid Collaborative Filtering Algorithm Based on K-Means," in International Conference on Applications and Techniques in Cyber Security and Intelligence, 2018: Springer, pp. 928-934. [DOI:10.1007/978-3-319-98776-7_111]
17. N. K. Manikandan and M. Kavitha, "A content recommendation system for e-learning using enhanced Harris Hawks Optimization, Cuckoo search and DSSM," Journal of Intelligent & Fuzzy Systems, no. Preprint, pp. 1-14, 2023. [DOI:10.3233/JIFS-213422]
18. B. Alhijawi and Y. Kilani, "A collaborative filtering recommender system using genetic algorithm," Information Processing & Management, vol. 57, no. 6, p. 102310, 2020, doi:
https://doi.org/10.1016/j.ipm.2020.102310 [DOI:10.1016/j.ipm.2020.102310.]
19. R. Paulavičius, L. Stripinis, S. Sutavičiūtė, D. Kočegarov, and E. Filatovas, "A novel greedy genetic algorithm-based personalized travel recommendation system," Expert Systems with Applications, vol. 230, p. 120580, 2023. [DOI:10.1016/j.eswa.2023.120580]
20. R. Katarya and O. P. Verma, "A collaborative recommender system enhanced with particle swarm optimization technique," Multimedia Tools and Applications, vol. 75, no. 15, pp. 9225-9239, 2016. [DOI:10.1007/s11042-016-3481-4]
21. R. Katarya, "Movie recommender system with metaheuristic artificial bee," Neural Computing and Applications, vol. 30, no. 6, pp. 1983-1990, 2018. [DOI:10.1007/s00521-017-3338-4]
22. R. Katarya and O. P. Verma, "Recommender system with grey wolf optimizer and FCM," Neural Computing and Applications, vol. 30, no. 5, pp. 1679-1687, 2018. [DOI:10.1007/s00521-016-2817-3]
23. R. Katarya and O. P. Verma, "An effective collaborative movie recommender system with cuckoo search," Egyptian Informatics Journal, vol. 18, no. 2, pp. 105-112, 2017. [DOI:10.1016/j.eij.2016.10.002]
24. S. Yadav and S. Nagpal, "An Improved Collaborative Filtering Based Recommender System using Bat Algorithm," Procedia computer science, vol. 132, pp. 1795-1803, 2018. [DOI:10.1016/j.procs.2018.05.155]
25. V. Vellaichamy and V. Kalimuthu, "Hybrid Collaborative Movie Recommender System Using Clustering and Bat Optimization," International Journal of Intelligent Engineering and Systems, vol. 10, no. 5, pp. 38-47, 2017. [DOI:10.22266/ijies2017.1031.05]
26. J. M. Leski, "Fuzzy c-ordered-means clustering," Fuzzy Sets and Systems, vol. 286, pp. 114-133, 2016. [DOI:10.1016/j.fss.2014.12.007]
27. J. Kennedy and R. Eberhart, "Particle swarm optimization," in Proceedings of ICNN'95 - International Conference on Neural Networks, 27 Nov.-1 Dec. 1995 1995, vol. 4, pp. 1942-1948 vol.4, doi: 10.1109/ICNN.1995.488968. [DOI:10.1109/ICNN.1995.488968]
28. Z.-H. Zhan, J. Zhang, Y. Li, and H. S.-H. Chung, "Adaptive particle swarm optimization," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 39, no. 6, pp. 1362-1381, 2009. [DOI:10.1109/TSMCB.2009.2015956]
29. Y. Shi and R. C. Eberhart, "Fuzzy adaptive particle swarm optimization," in Proceedings of the 2001 Congress on Evolutionary Computation (IEEE Cat. No. 01TH8546), 2001, vol. 1: IEEE, pp. 101-106. [DOI:10.1109/CEC.2001.934377]
30. R. Sadeghi and J. Hamidzadeh, "Automatic support vector data description," Soft Computing, vol. 22, no. 1, pp. 147-158, 2018. [DOI:10.1007/s00500-016-2317-5]
31. J. Hamidzadeh, R. Sadeghi, and N. Namaei, "Weighted support vector data description based on chaotic bat algorithm," Applied Soft Computing, vol. 60, pp. 540-551, 2017. [DOI:10.1016/j.asoc.2017.07.038]
32. B. Alatas, E. Akin, and A. B. Ozer, "Chaos embedded particle swarm optimization algorithms," Chaos, Solitons & Fractals, vol. 40, no. 4, pp. 1715-1734, 2009. [DOI:10.1016/j.chaos.2007.09.063]
33. R. Logesh, V. Subramaniyaswamy, V. Vijayakumar, X.-Z. Gao, and V. Indragandhi, "A hybrid quantum-induced swarm intelligence clustering for the urban trip recommendation in smart city," Future Generation Computer Systems, vol. 83, pp. 653-673, 2018. [DOI:10.1016/j.future.2017.08.060]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
