ارائه روشي جديد براي كشف نزديكترين همسايگي در سيستم‌هاي توصيه‌گر مبتني بر فيلترينگ مشاركتي

سيستم‌هاي توصيه‌گر با تحليل و بررسي داده‌هاي متعلق به كاربران، يك سري آيتم‌هاي خاص را برمبناي علايق به كاربران پيشنهاد مي‌كنند. هدف از آناليز داده‌هاي مربوط به كاربران، استخراج الگوهاي هر كاربر به منظور پيش‌بيني آيتم‌ها مي‌باشد. يكي از مهمترين روش‌ها در سيستم‌هاي توصيه‌گر، روش فيلترينگ مشاركتي است. در سيستم‌هاي توصيه‌گر مبتني بر فيلترينگ مشاركتي از معيارهاي شباهت جهت كشف كردن كاربران مشابه با كاربر جديد براي ارائه پيشنهاد استفاده مي‌شود. از چالش‌هاي سيستم‌هاي توصيه‌گر مبتني بر فيلترينگ مشاركتي مي‌توان به فاكتورهاي شباهت و تشخيص همسايگي اشاره كرد. در اين مقاله از روش نزديك‌ترين همسايه به منظور تشخيص همسايگان مشابه به كاربر جديد برمبناي فاصله استفاده مي‌كنيم. مدل پيشنهادي كه برگرفته از روش كاربرآيتم است، امتياز اقلام برمبناي فاصله محاسبه مي‌شود و نزديكترين فاصله به منظور تشابه انتخاب مي‌شود. در مدل پيشنهادي، تشخيص كاربران مشابه براساس ماتريس كاربرآيتم توسط فاصله اقليدسي انجام مي‌شود. آزمايشات مدل پيشنهادي برروي مجموعه داده Movielens كه شامل ۱۶۸۲ آيتم است انجام شده است. براي ارزيابي از معيارهاي دقت، فراخواني، F1، ميانگين خطاي مطلق و ميانگين خطاي مربعات ريشه استفاده شده است. ميانگين خطاي مطلق در مدل پيشنهادي در مقايسه با شباهت پيرسون و كسينوسي كمتر است و مقدار آن برابر با 0.7315 مي‌باشد. در نتيجه دقت مدل پيشنهادي در تشخيص تشابه و پيش‌بيني بيشتر است.