ارائه روشي مبتني برپالايش مشاركتي در يك سيستم توصيهگر با استفاده از نگاشت تجميع

باتوجه به اينكه در عصر كلان داده هستيم رشد تعداد مشتريان و خدمات آنلاين چالشهاي كليدي براي سيستمهاي توصيهگر بوجود آورده است. در عصرحاضر، الگوريتم پالايش مشاركتي موفقيتهاي زيادي در تجارت الكترونيك بدست آورده است. اما اين الگوريتم داراي محدوديتهايي نيز هست. هدف ما پيادهسازي الگوريتم پالايش مشاركتي روي مدل برنامهنويسي توزيعي نگاشت تجميع، بهمنظور حل مشكل عدم مقياسپذيري اين الگوريتم است. همچنين براي حل مشكل خلوت بودن ماتريس كاربر آيتم و مشكل شروع سرد كه دو - محدوديت اساسي اين الگوريتم هستند از مفهومي بنام Hotweight استفاده ميكنيم. براي افزايش دقت الگوريتم وغلبه بر محدويتهاي معيارهاي شباهت متداول در سيستمهاي توصيهگر معيار شباهت JacUOD استفاده ميكنيم. نتايج بدست آمده از روش پيشنهادي، يك الگوريتم پالايش مشاركتي توزيع شده و مقياس پذير است كه مزيت آن نسبت به الگوريتمهاي پالايش مشاركتي توزيعي موجود، دقت بالاي تشخيص محصولات مشابه است.

Due to the fact that we are living in the time of the Big Data, the growth in the number of customers and online services has created key challenges for Recommender Systems.Today, the Collaborative Filtering Algorithm has achieved many successes in E-commerce.But this algorithm also has some limitations. Our goal in this article is to implement a Collaborative Filtering Algorithm on the MapReduce (programming model) in order to solve the problem of the lack of salability of this algorithm.Also, we apply a concept called Hotweight to solve the Sparse and cold start problems of the user-item matrix, which are the two main constraints of this algorithm. We apply a similarity measurement,the JacUOD, to increase the degree of the algorithm accuracy and to overcome the limitations of the measurement similarity in Recommender Systems. A distributed Collaborative Filtering Algorithm with scalability is the results of the proposed method,which compares to the existing distributed Collaborative Filtering Algorithms, has the advantage of recognizing similar products(items) with high accuracy.