robati anaraki M, riahi N. An evolutionary approach for automating the selection of optimum Algorithm in Collaborative Filtering Recommender Systems. JSDP 2023; 20 (1) :59-78 URL: http://jsdp.rcisp.ac.ir/article-1-1206-fa.html
رباطی انارکی مژده، ریاحی نوشین. روش تکاملی بهبود انتخاب الگوریتم در سیستم های توصیه گر فیلترینگ مشارکتی. پردازش علائم و دادهها. 1402; 20 (1) :59-78
سیستم توصیه گر میتواند به عنوان نرم افزاری که به افراد مناسبترین آیتم ها را پیشنهاد میکنند، تعریف شود. این سیستمها به عنوان یک مشاور کار می کنند تا افراد را در یافتن محصولات مورد علاقه شان راهنمایی کنند. امروزه برای پیاده سازی سیستمهای توصیه گر، الگوریتم های متفاوتی به کار برده میشود؛ دسته ای از این الگوریتمها، الگوریتمهای فیلترینگ مشارکتی نام دارند که در آنها از شباهت کاربران یا شباهت روابط ایجاد شده توسط کاربران میان آیتمها برای تعیین پیشنهادها استفاده میشود. روشهای فیلترینگ مشارکتی، می توانند آیتم هایی موردپسند کاربر اما با محتوای کاملا متفاوت نسبت به سلایق پیشین او پیشنهاد دهند که این پیشنهادها براساس علایق کاربران مشابه به کاربر هدف تولید شده است. در روشهای فیلترینگ مشارکتی برای ایجاد مدل یا محاسبه شباهت بین کاربران، معیارها و توابع فاصله متفاوتی استفاده شده است و روش بهینه که بهترین لیست از پیشنهادها را تولید کند، همواره یکسان نیست و متناسب با دادههای موجود، این الگوریتم در میان الگوریتمهای فیلترینگ مشارکتی، تغییر می کند؛ به همین دلیل، انتخاب روش مناسب برای ایجاد یک سیستم توصیه گر، به چالشی برای طراحان این سیستم تبدیل شده است. در این مقاله روشی مبتنی بر الگوریتم ژنتیک برایبرای اجتماع نتایج روشهای همسایه محور و انتخاب بهترین پیشنهادها از بین پیشنهادهای تولید شده توسط روشهای مختلف با معیارهای فاصله متفاوت برای یک سیستم توصیه گر با هدف پیشنهاد N آیتم برتر ارائه شده است. در پیاده سازی این روشها ، علاوه بر محاسبه شباهت مستقیم کاربران، تعیین اطمینان غیر مستقیم کاربران نیز مد نظر قرار گرفته است تا اطلاعات موجود از ارتباط بین علایق کاربران افزایش یابد. روش پیشنهادی برای هر مجموعه داده، یک ترکیب از روشهای فیلترینگ مشارکتی ایجاد میکند که علاوه بر در نظرگرفتن محدودیتهای زمانی در تولید آن، دقت مناسبی دارد. این روش با روشهای فیلترینگ مشارکتی همسایه محور به صورت مجزا و همینطور سیستمهای مشابه با استفاده از دیتاست Movielens 100k و 1MMovielens و Hetrec2011 مقایسه شده است .آزمایشها برتری و توانایی تولید پیشنهادهای دقیقتر به کاربران با این روش را نشان میدهد.