دانشگاه آزاد اسلامی، واحد قزوین
چکیده: (773 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