دوره 20، شماره 1 - ( 3-1402 )
جلد 20 شماره 1 صفحات 78-59 |
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:
robati anaraki M, riahi N. An evolutionary approach for automating the selection of optimum Algorithm in Collaborative Filtering Recommender Systems. JSDP 2023; 20 (1) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1206-fa.html
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
دانشگاه الزهرا
چکیده: (1431 مشاهده)
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 برای برای 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 1M Movielens و Hetrec2011 مقایسه شده است .آزمایشها برتری و توانایی تولید پیشنهادهای دقیقتر به کاربران با این روش را نشان میدهد.
در این مقاله روشی مبتنی بر الگوریتم ژنتیک برای برای 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 1M Movielens و Hetrec2011 مقایسه شده است .آزمایشها برتری و توانایی تولید پیشنهادهای دقیقتر به کاربران با این روش را نشان میدهد.
شماره‌ی مقاله: 4
واژه‌های کلیدی: سیستم توصیه گر، فیلترینگ مشارکتی، الگوریتم ژنتیک، توابع فاصله، اجتماع نتایج، اطمینان استنتاج شده.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش دادههای رقمی
دریافت: 1399/11/11 | پذیرش: 1401/12/3 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
دریافت: 1399/11/11 | پذیرش: 1401/12/3 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
فهرست منابع
1. [1] Y. Koren, "Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Mode,," Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Las Vegas, Nevada, USA, August 24-27, 2008, 2008. [DOI:10.1145/1401890.1401944] [PMID]
2. [2] F. Ricci, L. Rokach and B. Shapira, "Recommender Systems Handbook," Springer, 2011. [DOI:10.1007/978-0-387-85820-3]
3. [3] F. Isinkaye, Y. Folajimi and B. Ojokoh, "Recommendation systems: Principles, methods and evaluation," Egyptian Informatics Journal 16, 261-273 ,2015. [DOI:10.1016/j.eij.2015.06.005]
4. [4] E. Q. Silva, C. G.Camilo-Junior, L. MarioL.Pascoal and C. Thierson, "An evolutionary approach for combining results of recommender systems techniques based on collaborative filtering," IEEE Congress on Evolutionary Computation (CEC), Beijing, China, 2014, pp. 959-966, 2014. [DOI:10.1109/CEC.2014.6900631] [PMID] []
5. [5] B. B. Sinha and R. Dhanalakshmi, "Evolution of recommender system over the time," Soft Comput 23, 12169-12188, 2019. [DOI:10.1007/s00500-019-04143-8]
6. [6] S. Gupta and S. Nagpal, "Trust Aware Recommender Systems: A Survey on Implicit Trust Generation Techniques," (IJCSIT) International Journal of Computer Science and Information Technologies, Vol. 6 (4) , 3594-3599, 2015.
7. [7] M. Papagelis, D. Plexousakis and T. K. Kutsuras, "Alleviating the Sparsity Problem of Collaborative Filtering Using Trust Inferences," iTrust 2005, LNCS 3477, pp. 224 - 239, 2005.. [DOI:10.1007/11429760_16]
8. [8] J. Bobadilla, F. Ortega, A. Hernando and A. Gutiérrez, "Recommender systems survey," Knowledge-Based Systems 46 109-132,2013. [DOI:10.1016/j.knosys.2013.03.012]
9. [9] T. Dunning, "Accurate methods for the statistics of surprise and coincidence," Computational Linguistics Volume 19, Number 1 pages 61-74,1993.
10. [10] T. K, Paradarami, NathanielD, Bastian, J. and Wightman, "A hybrid recommender system using artificial neural networks," Expert Systems With Applications 83 (2017). [DOI:10.1016/j.eswa.2017.04.046]
11. [11] Z. Kang, C. Peng and Q. Cheng, "Top-N Recommender System via Matrix Completion," Association for the Advancement of Artificial 2016. [DOI:10.1609/aaai.v30i1.9967]
12. [12] U. Kużelewska, "Clustering Algorithms in Hybrid Recommender System on MovieLens Data," UDIES IN LOGIC, GRAMMAR AND RHETORIC 37 (50) 2014 [DOI:10.2478/slgr-2014-0021]
13. [13]حسینی منیره، نصرالهی مقصود، بقائی علی. یک سامانه توصیهگر ترکیبی با استفاده از اعتماد و خوشهبندی دوجهته بهمنظور افزایش کارایی پالایشگروهی. پردازش علائم و داده‌ها. ۱۳۹۷; ۱۵ (۲) :۱۱۹-۱۳۲
14. [13] M. Hosseini, M. Nasrollahi and A. Baghaei, "A hybrid recommender system using trust and bi-clustering in order to increase the efficiency of collaborative filtering,". JSDP 2018; 15 (2) :119-132. [DOI:10.29252/jsdp.15.2.119]
15. [14] P. Massa and B. Bhattacharjee, "Using Trust in Recommender Systems:An Experimental Analysis," iTrust,Springer-Verlag Berlin Heidelberg , LNCS 2995, pp. 221-235,2004. [DOI:10.1007/978-3-540-24747-0_17]
16. [15] W. Yuan, L. Shu, H. Chao, D. Guan, Y. Lee and S. Lee, "itars: trustaware recommender system using implicit trust networks,," Communications,IET, 4(14):17091721, 2010. [DOI:10.1049/iet-com.2009.0733]
17. [16] SAMUEL, O. E. L, D. VICTOR, L. ANISIO, M. LUIZ and P. GISELE L, "Is Rank Aggregation Effective in Recommender Systems? An Experimental Analysis," ACM Transactions on Intelligent Systems and Technology 11(2), 2019. [DOI:10.1145/3365375]
18. [17] M. T. Ribeiro, Nivio Ziviani,, Edleno Silva De Moura and , Itamar Hata,, "Multiobjective Pareto-Efficient Approaches for Recommender Systems," ACM Trans. Intell. Syst. Technol. 5, 4, Article 53 , 2014. [DOI:10.1145/2629350]
19. [18] S. Oliveira, V. Diniz, A. Lacerda and G. L. Pappa., "Evolutionary rank aggregation for recommender systems.," IEEE Congress on Evolutionary Computation (CEC). 255-262, 2016. [DOI:10.1109/CEC.2016.7743803]
20. [19] s. Mirjalili, "Evolutionary Algorithms and Neural Networks," Studies in Computational Intelligence 780,Springer International Publishing AG, part of Springer Nature, 2019.
21. [20] B. Alhijawi and Y. Kilani, "A collaborative filtering recommender system using genetic algorithm," Information Processing & Management 57(6):102310, 2020. [DOI:10.1016/j.ipm.2020.102310]
22. [21] M. Bhusal and A. Shakya, "Collaborative Filtering Recommender System Using Genetic Algorithm," Proceedings of IOE Graduate Conference, Volume: 6, 2019.
23. [22] J. Xiao, M. Luo, J.-M. Chen and J.-J. Li, "An Item Based Collaborative Filtering System Combined with Genetic Algorithms Using Rating Behavior," Springer International Publishing Switzerland , ICIC 2015, Part III, LNAI 9227, pp. 453-460,, 2015. [DOI:10.1007/978-3-319-22053-6_48]
24. [23] F. H. d. Olmo and E. Gaudioso, "Evaluation of recommender systems: A new approach," Expert Systems with Applications 35 790-804 ,2008. [DOI:10.1016/j.eswa.2007.07.047]
25. [24] G. Takacs, I. Pilaszy, B. Nemeth and D. Tikk, "Scalable Collaborative Filtering Approaches for Large Recommender Systems," Journal of Machine Learning Research 10 623-656,, 2009.
26. [25] S. Oliveira, V. Diniz, A. Lacerda, L. Merschmanm and G. L. Pappa., "Is Rank Aggregation Effective in Recommender Systems? An Experimental Analysis," ACM Trans. Intell.Syst. Technol. 1, 1, Article 1 ,2019. [DOI:10.1145/3365375]
27. [26] E. Q. d. Silva, C. G. Camilo, L. M. L. Pascoal and T. C. Rosa, "An evolutionary approach for combining results of recommender systems techniques based on Collaborative Filtering," Expert Systems With Applications 53 204-218,2016. [DOI:10.1016/j.eswa.2015.12.050]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
