عنوان مقاله :
افزايش كارايي خوشه بندي كاربران سيستمهاي پيشنهاد دهنده با استفاده از الگوريتمهاي يادگيري ماشين تقويتي
عنوان به زبان ديگر :
Increasing user clustering performance in recommender systems using ensemble machine learning algorithms
پديد آورندگان :
اشنودي، آرش دانشگاه شهيد اشرفي اصفهاني - دانشكده مهندسي كامپيوتر، اصفهان، ايران , سليماني نيسياني، بهزاد دانشگاه شهيد اشرفي اصفهاني - دانشكده مهندسي كامپيوتر، اصفهان، ايران , نعمت بخش، ناصر دانشگاه شهيد اشرفي اصفهاني - دانشكده مهندسي كامپيوتر، اصفهان، ايران
كليدواژه :
سيستمهاي توصيه گر , الگوريتمها يادگيري ماشين , طبقه بندي , خوشه بندي
چكيده فارسي :
چكيده: امروزه سيستمهاي توصيه گر ابزار كارآمدي در وبسايتهاي تجارت الكترونيك محسوب ميشوند و هدف اصلي آنها توليد پيشبينيهاي دقيق بهمنظور دستيابي كاربران به اطلاعات موردنظر خود با كمترين زمان و انرژي دسترسي است. خوشهبندي سبب
بهينه سازي فعاليت جستجوي اطلاعات در اين سيستمها شده و زمان جستجوي كاربر را كاهش ميدهد. در برخي از سيستمهاي توصيه گر، مسئله توصيه اشياء براي كاربر جديد كه اولين ورود را تجربه ميكند وجود دارد. اين پژوهش با استفاده الگوريتمهاي شبكه هاي عصبي پرسپترون چندلايه و الگوريتم K -نزديكترين همسايه و سپس رأيگيري بين اين دو الگوريتم، دقت خوشه بندي داده ها را بهبود ميبخشد، به طوريكه داده ورودي در خوشه مناسبتر قرار گيرد. نتايج آزمايشهاي انجام شده بر روي مجموعه دادهي
استاندارد سيستمهاي پيشنهاددهنده MovieLens نشان ميدهد، روش پيشنهادي در مقايسه يا ساير روشهاي پيشين از عملكرد بهتري برخوردار است. نتايج آزمايشها ميزان صحت 43 % در تشخيص و خوشه بندي داده تقريباً 4 درصد بهبود در دقت و بازيابي حاصل شده است.
چكيده لاتين :
Nowadays, recommender systems are an effective tool in e-commerce websites. Their main purpose is to produce accurate forecasts for users to achieve the information they want with the least time and energy of access. Clustering optimizes information retrieval activity in these systems and reduces user search time. In some recommendation systems, there is the issue of recommending objects to the new user experiencing the first login. This study uses multi-layer perceptron neural network algorithms and K-nearest neighbor algorithm. Then, voting between the two algorithms improves the data clustering accuracy so that the input data is more appropriate in the cluster. The experiments performed on the standard dataset of MovieLens proposing systems show that the proposed method performs better than the previous methods. The results show 94.43% accuracy, 94.83% precision, and 94.14% recall in data clustering detection, which has about 1% improvement for precision and recall rates.
