بهبود سيستمهاي پيشنهاددهنده با استفاده از فيلترسازي مشاركتي و فاكتور مصالحه

در سالهاي اخير اطلاعات موجود در وب به صورت آشفته و غيرمتمركز در حال افزايش است و اين روند منجر به توليد حجم وسيعي از مستندات كه سازماندهي منطقي ندارند، گشته است. با توجه به اين مساله، نياز به مديريت اطلاعات بيش از پيش محسوس است. از طرفي ديگر مديريت اطلاعات موجود با روشهاي سنتي تقريبا غير ممكن بوده و ابزارهاي جديدي مورد نياز است. براي رويارويي با اين مشكلات سيستمهاي پيشنهاددهنده معرفي شدهاند كه با بررسي انتخاب هاي كاربران در گذشته بهترين آيتم موجود را به وي توصيه ميكنند. پيكرهي اصلي اين سيستمها نحوه ساماندهي اطلاعات موجود است كه يكي از مهمترين الگوريتمها در اين زمينه، فيلترسازي مشاركتي است كه با بررسي پروفايل كاربران شباهت بين علاقه مندي آنها را يافته و براساس آن محصولاتي را به هر كاربر پيشنهاد ميدهد. از طرف ديگر سلايق كاربران كه در قالب امتيازاتي درنظر گرفته ميشوند ممكن است با خطاهايي همراه باشند. در اين مقاله ابتدا پيشپردازشي روي امتيازات صورت گرفته و نويزهاي موجود شناسايي و تصحيح ميشوند؛ سپس با استفاده از فاكتور مصالحه، شباهت بين كاربران محاسبه و پيشنهادهايي نزديك به سليقهي هر فرد به وي ارائه ميشود.

In recent years, the information on the web has been growing disturbed and decentralized and this process leads to the production of a large amount of documentation that do not have logical organization. With this in mind, the need for more information management is tangible. On the other hand, managing existing information with traditional methods is almost impossible, thus new tools are needed. In order to cope with these problems,recommender systems have been introduced that recommend the best item by reviewing user choices in the past. The main structure of these systems is how to organize information that one of the most important algorithms in this field is collaborative filtering that It checks users profiles and Finds the similarity between their interest and according to, It offers products to any user. on the other hand, the tastes of users which are considered as rates, may be associated with noise.In this paper, pre-processing is done on the rates and existing noise identified and corrected. Then, using the Compromise factor, the similarity between the users is calculated and suggestions are offered to each person's taste.