Rafiei M, Shahrokhzadeh B. Improving the performance of recommender systems in the face of the cold start problem by analyzing user behavior on social network. Journal of Iranian Association of Electrical and Electronics Engineers 2023; 20 (1) :59-66
URL:
http://jiaeee.com/article-1-1383-fa.html
رفیعی مهدیه، شاهرخ زاده بهروز. بهبود کارایی سیستمهای توصیهگر در مواجه با مساله شروع سرد با استفاده از تحلیل رفتار کاربران در شبکههای اجتماعی. نشریه مهندسی برق و الکترونیک ایران. 1402; 20 (1) :59-66
URL: http://jiaeee.com/article-1-1383-fa.html
دانشگاه آزاد اسلامی، واحد قزوین
چکیده: (1008 مشاهده)
هدف سیستمهای توصیهگر معرفی آیتمهایی به کاربران است که میتواند موردعلاقه آنها باشد. یکی از چالشهای اصلی که عملکرد سیستمهای توصیهگر را تحتتاثیر قرار میدهد مشکل شروع سرد است. زمانی که کاربر یا آیتم جدیدی به مجموعه اضافه میشود، سیستم به دلیل عدم اطلاعات کافی نمیتواند پیشنهادهای مناسبی را ارائه کند. در این مقاله رویکردی ارائه میشود که در آن از دادههای رسانههای اجتماعی مانند توئیتر برای ایجاد یک پروفایلِ رفتاری استفاده میشود. سپس با استفاده از تکنیکهای یادگیری ماشین، پروفایلهای کاربران خوشهبندی میشوند. براساس این خوشهبندیها پیشبینیهایی با استفاده از الگوریتمهای جنگل تصادفی و ارتقای گرادیان ایجاد میشود. بنابراین کاربر مجبور نخواهد بود هیچ نوع دادهای را به طور صریح ارائه دهد و با کمک اطلاعات شبکههای اجتماعی کاربران، مشکل شروع سرد کاهش مییابد. بدین ترتیب که با این دادهها، یک پروفایل کاربری ایجاد شده و به عنوان ورودی سیستم توصیهگر استفاده میشود. آزمایشهای متعددی انجام شد و در مقایسه با برخی از الگوریتمهای جدید شروع سرد، نتایج رضایتبخش بود. در این مقاله به این نتیجه رسیدهایم که فرایند خوشهبندی میزان دقت عملکرد مدلها را بالا میبرد و میانگین خطای مطلق را کاهش میدهد و همچنین الگوریتم ارتقای گرادیان نسبت به الگوریتم جنگل تصادفی از کارایی بهتری برخوردار است.
نوع مقاله:
پژوهشي |
موضوع مقاله:
الکترونیک دریافت: 1400/7/24 | پذیرش: 1401/6/5 | انتشار: 1401/10/6