AU - Bahrani, Payam AU - Minaei Bidgoli, Behrouz AU - Parvin, Hamid AU - Mirzarezaee, Mitra AU - Keshavarz, Ahmad TI - Hybrid Recommender System Based on Variance Item Rating PT - JOURNAL ARTICLE TA - jsdp JN - jsdp VO - 19 VI - 3 IP - 3 4099 - http://jsdp.rcisp.ac.ir/article-1-1244-fa.html 4100 - http://jsdp.rcisp.ac.ir/article-1-1244-fa.pdf SO - jsdp 3 AB  - مدل نزدیک‌ترین همسایگی (KNN) و سامانه‌های توصیه‌گر مبتنی بر این مدل (KRS) از موفق‌ترین سامانه‌های توصیه‌گر در حال حاضر در دسترس هستند. این روش‌ها شامل پیش‌بینی رتبه‌بندی یک آیتم بر اساس میانگین رتبه‌بندی آیتم‌های مشابه است. میانگین رتبه‌بندی آیتم‌های مشابه، با در‌نظر‌گرفتن تشابه تعریف شده، میانگین امتیازی را به هر آیتم، به‌عنوان ویژگی به آن خواهد داد. در این مقاله KRS ایجاد‌شده با ترکیب رویکردهای زیر ارائه شده است: (الف) استفاده از میانگین و واریانس رتبه‌بندی اقلام به‌عنوان ویژگی‌های آیتم، برای یافتن موارد مشابه در (IKRS)؛ (ب) استفاده از میانگین و واریانس رتبه‌بندی کاربر به‌عنوان ویژگی‌های کاربر برای یافتن کاربران مشابه با KRS کاربرپسند (UKRS)؛ (ج) استفاده از میانگین وزنی برای تلفیق رتبه‌بندی کاربران/آیتم‌های همسایه. (د) استفاده از یادگیری جمعی. سه روش پیشنهادی EVMBR، EWVMBR و EWVMBR-G در این مقاله پیشنهاد داده شده است. هر سه روش مبتنی بر کاربر بوده، که در آن‌ها از فاصله VM به‌عنوان معیار تفاوت بین کاربران/آیتم‌ها، برای یافتن کاربران/آیتم‌های همسایه استفاده و سپس به‌ترتیب از میانگین غیروزنی، وزنی و وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین، برای پیش‌بینی رتبه‌بندی کاربر ناشناخته استفاده می‌شوند. هر سه روش مبتنی بر کاربر بوده، که در آن‌ها از فاصله VM به‌عنوان معیار تفاوت بین کاربران/آیتم‌ها، برای یافتن کاربران/آیتم‌های همسایه استفاده و سپس میانگین به‌ترتیب از میانگین غیروزنی، وزنی، وزنی بر اساس مدل ترکیبی کوواریانس کامل گوسین رتبه‌بندی، برای پیش‌بینی رتبه‌بندی کاربر ناشناخته استفاده می‌شوند. ارزیابی‌های تجربی نشان می‌دهد که سه روش پیشنهادی EVMBR، EWVMBR و EWVMBR-G، که از یادگیری جمعی استفاده می‌کند، دقیق‌ترین روش در بین روش‌های ارزیابی شده است. بسته به مجموعه داده، روش پیشنهادی EWVMBR-G موفق به دست‌یابی به بیست تا سی درصد خطای مطلق کمتر از MBR اصلی شده است. از نظر زمان اجرا، روش‌های پیشنهادی قابل مقایسه با MBR و بسیار سریع‌تر از روش slope-one و روش‌های توصیه‌گر KNN مبتنی بر کسینوس یا پیرسون هستند. CP - IRAN IN - Department of Computer Engineering, Islamic Azad University of Noorabad Mamasani, Fars, Iran LG - eng PB - jsdp PG - 147 PT - Research YR - 2022