يك روش خوشه بندي مبتني بر الگوريتم كشتل در سيستم توصيه گر پالايش مشاركتي

افزايش حجم اطلاعات آنلاين باعث شده كه كاربران، انرژي و زمان زيادي را صرف پيدا كردن محصولات مورد علاقه خود كنند. تاكنون ابزارهاي زيادي جهت كنترل و سازماندهي اين اطلاعات ارائه شده‌اند. عملكرد يك سيستم توصيه‌گر، شناسايي و معرفي آيتم‌هاي مورد علاقه‌ي كاربر در يك فضاي بسيار بزرگ از آيتم‌هاي قابل انتخاب است. يكي از پركاربردترين انواع سيستم‌هاي توصيه‌گر، روش پالايش مشاركتي است كه از شباهت بين كاربران براي انتخاب همسايگي و ايجاد توصيه استفاده مي‌كند. با وجود اينكه اين روش دقت بالايي در توليد پيشنهاد دارد، اما داراي ضعف‌هايي نيز مي‌باشد. يك راهكار براي برطرف كردن نقاط ضعف، استفاده از تكنيك خوشه‌بندي است. اين نوع از سيستم‌هاي توصيه‌گر به‌علت كوچك‌سازي فضاي جستجو، در هنگام مواجهه با داده‌هاي بزرگ عملكرد مناسبي دارند و در زمان كوتاهي پيشنهاداتي را ارائه مي‌دهند. در اين مقاله يك روش خوشه‌بندي مبتني بر الگوريتم كشتل براي سيستم توصيه‌گر پالايش مشاركتي ارائه مي‌شود. هدف از ارائه روش پيشنهادي اين است كه كاربراني با بيشترين شباهت در يك خوشه قرار داده شده و كاربري با بالاترين ميزان شباهت به ديگر كاربران، به‌عنوان سرخوشه انتخاب شود. در واقع الگوريتم پيشنهادي سعي در يافتن تراكم مركز خوشه در مجموعه داده نموده و سپس، مركز خوشه را در آن ناحيه انتخاب مي‌كند. براي تحليل كارايي روش پيشنهادي، معيارهاي MAE، Precision و Recall بر روي مجموعه داده استاندارد مووي‌لنز K100 مورد بررسي قرار گرفته و نتايج به‌دست آمده با روش‌هاي ديگر مقايسه مي‌شود. نتايج به‌دست آمده از شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي از كارايي بالايي برخوردار است.