معرفي يك سيستم توصيه گر اجتماعي براي بهبود پيشنهادات تجارت الكترونيك با تركيب الگوريتمهاي Smote و Kfcm

يكي از موفق ترين الگوريتم هاي ايجاد پيشنهاد در سيستمهاي توصيه گر، روش پالايش گروهي است. پالايش گروهي به منظور پيشنهاد يك كالا به كاربر هدف، از سوابق امتيازدهي كاربران مشابه به آن كالا استفاده مي نمايد. ليكن پالايش گروهي با همه كارايي اي كه دارد، از چندين مشكل نيز رنج مي برد. از جمله محدوديت هاي پالايش گروهي، مي توان به مشكل شروع سرد و تنك بودن ماتريس رتبه دهي اشاره نمود. به منظور بهبود كارآيي سيستمهاي توصيه گر، در شرايطي كه داراي مشكلات ذكر شده هستند، در اين پژوهش ابتدا كاربران بر اساس ماتريس رتبه دهي، خوشه بندي مي شوند كه در اين روند از خوشه بندي فازي استفاده شده است. الگوريتم خوشه بندي پيشنهادي ، kfcm است كه با توجه به اين كه اين داده ها ممكن است حجيم باشند، از امكانات موازي سازي استفاده مي كند. براي حل مشكل شروع سرد نيز از الگوريتم smote استفاده شده است. در اين پژوهش از دو مجموعه داده MoveiLens و Jester استفاده شده و با دو معيار ميزان خطا و معيار پوشش 3 شده / 3 و 78 / دهي، مقايسه نتايج حاصل با ادبيات تحقيق صورت گرفته است كه در بهترين حالت، ميزان اين دو معيار به ترتيب برابر با 03 است. به طور كلي در مقايسه با نتايج روشهاي موجود، روش پيشنهادي موجب كاهش 54 % خطا و ارتقاي 50 % دقت و پوشش دهي گرديده است.