Journal of Iranian Association of Electrical and Electronics Engineers

fa بهبود کارایی سیستم‌های توصیه‌گر در مواجه با مساله شروع سرد با استفاده از تحلیل رفتار کاربران در شبکه‌های اجتماعی Improving the performance of recommender systems in the face of the cold start problem by analyzing user behavior on social network الکترونیک Electronic پژوهشي Research 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. The goal of recommender system is to provide desired items for users. One of the main challenges affecting the performance of recommendation systems is the cold-start problem that is occurred as a result of lack of information about a user/item. In this article, first we will present an approach, uses social streams such as Twitter to create a behavioral profile, then user profiles are clustering with machine learning techniques. Based on this clustering, predictions are made using machine learning techniques such as the Random Forest algorithm (RF) and the Gradient Boosting algorithm (GB). Therefore, the user is not required to provide any kind of data explicitly anymore. As a result of this method, cold start problem will decrease among users' social networks. Because the system uses this data to create user profiles, this will be an input for recommender systems. Numerous experiments have been performed in this field and compared to some new cold start algorithms; very satisfactory results have been obtained. In this paper, we have concluded that the clustering process greatly increases the performance accuracy of the models and reduces the average absolute error, and also the Gradient Boosting algorithm has a better performance than the Random Forest algorithm. سیستم‌های توصیه‌گر, مساله شروع سرد, رسانه اجتماعی, خوشه‌بندی, جنگل تصادفی, ارتقای گرادیان Recommender systems, Cold-start problem, Social media, Clustering, Random Forest, Gradient Boosting 59 66 http://jiaeee.com/browse.php?a_code=A-10-2460-1&slc_lang=fa&sid=1 Mahdie Rafiei مهدیه رفیعی m.rafiei@qiau.ac.ir 100319475328460010112 100319475328460010112 No Qazvin Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد قزوین Behrooz Shahrokhzadeh بهروز شاهرخ زاده bshahrokhzadeh@qiau.ac.ir 100319475328460010111 100319475328460010111 Yes Qazvin Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد قزوین