بهبود كارايي سيستم‌هاي توصيه‌گر در مواجه با مساله شروع سرد با استفاده از تحليل رفتار كاربران در شبكه‌هاي اجتماعي

هدف سيستم‌هاي توصيه‌گر معرفي آيتم‌هايي به كاربران است كه مي‌تواند موردعلاقه آنها باشد. يكي از چالش‌هاي اصلي كه عملكرد سيستم ‌هاي توصيه‌گر را تحت‌تاثير قرار مي‌دهد مشكل شروع سرد است. زماني كه كاربر يا آيتم جديدي به مجموعه اضافه مي‌شود، سيستم به دليل عدم اطلاعات كافي نمي‌تواند پيشنهادهاي مناسبي را ارائه كند. در اين مقاله رويكردي ارائه مي‌شود كه در آن از داده‌ هاي رسانه‌هاي اجتماعي مانند توئيتر براي ايجاد يك پروفايلِ رفتاري استفاده مي‌ شود. سپس با استفاده از تكنيك‌هاي يادگيري ماشين، پروفايل‌ هاي كاربران خوشه‌ بندي مي‌ شوند. براساس اين خوشه ‌بندي‌ ها پيش‌ بيني‌ هايي با استفاده از الگوريتم هاي جنگل تصادفي و ارتقاي گراديان ايجاد مي‌ شود. بنابراين كاربر مجبور نخواهد بود هيچ نوع داده‌اي را به طور صريح ارائه دهد و با كمك اطلاعات شبكه‌ هاي اجتماعي كاربران، مشكل شروع سرد كاهش مي‌ يابد. بدين ترتيب كه با اين داده‌ ها، يك پروفايل كاربري ايجاد شده و به عنوان ورودي سيستم توصيه‌ گر استفاده مي‌ شود. آزمايش‌ هاي متعددي انجام شد و در مقايسه با برخي از الگوريتم ‌هاي جديد شروع سرد، نتايج رضايت‌ بخش بود. در اين مقاله به اين نتيجه رسيده ‌ايم كه فرايند خوشه‌ بندي ميزان دقت عملكرد مدل ‌ها را بالا مي‌ برد و ميانگين خطاي مطلق را كاهش مي‌ دهد و همچنين الگوريتم ارتقاي گراديان نسبت به الگوريتم جنگل تصادفي از كارايي بهتري برخوردار است.