رويكردهاي چندبعدي با بهره‌گيري از اطلاعات زمينه جهت افزايش كارايي در سيستم هاي توصيه گر

Multi-dimensional approaches by considering contextual information to increase accuracy in recommender systems

امروزه سيستم¬هاي توصيه گر به‌عنوان موضوعي بسيار مهم و ضروري در بسياري از حوزه¬ها ازجمله توصيه محصولات، گردشگري، فيلم، كتاب، اخبار و ... محسوب مي¬شوند. با بهره‌گيري از اين سيستم‌ها، تعداد بسيار زيادي از سايت‌ها، محصولات خود را به مشتريان ارائه مي‌دهند. ارائه چنين توصيه‌هايي، سبب مي‌شود مصرف‌كنندگان تصميم مناسبي براي انتخاب محصولات موردنظر خود، اخذ نمايند كه اين امر، رضايتمندي كاربران را در پي خواهد داشت. سيستم‌هاي توصيه گر، شاخه‌اي از سيستم‌هاي بازيابي و تطبيق اطلاعات مي‌باشند كه با شناسايي علاقه‌مندي‌ها و نيازمندي‌هاي كاربران در دستيابي به اطلاعات يا خدمات موردنظر در ميان حجم انبوهي از انتخاب‌ها به آن‌ها ياري مي‌رسانند. امروزه سيستم‌هاي توصيه گر جديدي ارائه‌شده است كه در آن از رويكردهاي چندبعدي اﺳﺘﻔﺎده مي‌شود. اﯾﻦ روﯾﮑﺮدها مي‌توانند توصيه‌ها و پيشنهاد‌ها را ﺑﺮ اﺳﺎس اطﻼﻋﺎت زمينه و كمكي ﻋﻼوه ﺑﺮ اطﻼﻋﺎت ﺧﺎص ﮐﺎرﺑﺮان، ارائه دهند. اﯾﻦ روﯾﮑﺮدها اﻣﮑﺎن پشتيباني از اﺑﻌﺎد ﻣﺨﺘﻠﻒ، ﭘﺮوﻓﺎﯾﻞ ھﺎي ﮔﺴﺘﺮده و تجميع ﺳﻠﺴﻠﮫ ﻣﺮاﺗﺒﯽ پيشنهاد‌ها را فراهم مي‌نمايند. در اين تحقيق رويكردهاي توصيه گر چندبعدي را موردبررسي قرار مي‌دهيم.

Today, recommender systems are considered as a very important topic in many areas, including recommendations for products, tourism, movies, books, news and more. By using these systems, a large number of sites offer their products to customers. Providing such recommendations makes consumers the right decision to choose their products, which will result in user satisfaction. Recommender systems are a branch of information retrieval that help users to identify their interests and needs in accessing the information or services through a huge amount of choices that they want. Today, there are new recommender systems which use multidimensional approaches. These approaches can provide recommendations and suggestions based on background information and in addition aids to specific user. These approaches can support different dimensions, broad profiles, and hierarchical aggregation of suggestions. In this research, we will consider multi-dimensional recommender approaches.