بهبود سيستم هاي توصيه گر با استفاده از توسعه خوشه بندي چندگانه

سیستم های توصیه گر ابزار كارآمدی در وب سایت های تجارت الكترونیك محسوب می شوند و هدف اصلی آن ها تولید پیش بینی های دقیق است. فیلترینگ مشاركتی یكی از موفق ترین روش هایی است كه در سیستم های توصیه گر مورد استفاده قرار می گیرد، اما این روش از نظر جستجو برای كاربران مشابه وقتی كه با مجموعه داده¬های بزرگی مواجه می شوند چالش بزرگی را به وجود خواهد آورد. همچنین در تشخیص علاقه كاربرانی كه اطلاعات اندكی از آن ها در دسترس است ضعیف عمل می كند. برای غلبه بر این مشكلات ما یك روش خوشه بندی چندگانه را توسعه می¬دهیم كه كاربران به طور مكرر بر اساس تشابه كاربر و روابط اعتماد اجتماعی خوشه بندی می¬شوند. در این روش برای شناسایی كاربران مشابه از یك معیار شباهت هیورستیكی جدید استفاده می شود كه دقت پیش بینی ها را افزایش می دهد. همچنین برای اینكه كاربران در دو خوشه متفاوت به طور همزمان ظاهر نشوند از مدل بردار پشتیبان رگرسیون استفاده شده است. نتایج آزمایش بر روی مجموعه داده فیلم تراست نشان می دهد كه رویكرد پیشنهادی به طور موثری می تواند باعث بهبود عملكرد پیشنهادها شود و به طور میانگین مقدار دقت(MAE) حدود 0.01 بهبود داشته و توانسته بر مشكلات موجود در سیستم های توصیه گر مبتنی بر فیلترینگ مشاركتی غلبه كند.