بهبود کارایی سیستم های توصیه گر در مواجه با مساله شروع سرد با استفاده از تحلیل رفتار کاربران در شبکه های اجتماعی
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 177
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-20-1_008
تاریخ نمایه سازی: 15 دی 1401
چکیده مقاله:
هدف سیستم های توصیه گر معرفی آیتم هایی به کاربران است که می تواند موردعلاقه آنها باشد. یکی از چالش های اصلی که عملکرد سیستم های توصیه گر را تحت تاثیر قرار می دهد مشکل شروع سرد است. زمانی که کاربر یا آیتم جدیدی به مجموعه اضافه می شود، سیستم به دلیل عدم اطلاعات کافی نمی تواند پیشنهادهای مناسبی را ارائه کند. در این مقاله رویکردی ارائه می شود که در آن از داده های رسانه های اجتماعی مانند توئیتر برای ایجاد یک پروفایل رفتاری استفاده می شود. سپس با استفاده از تکنیک های یادگیری ماشین، پروفایل های کاربران خوشه بندی می شوند. براساس این خوشه بندی ها پیش بینی هایی با استفاده از الگوریتمهای جنگل تصادفی و ارتقای گرادیان ایجاد می شود. بنابراین کاربر مجبور نخواهد بود هیچ نوع داده ای را به طور صریح ارائه دهد و با کمک اطلاعات شبکه های اجتماعی کاربران، مشکل شروع سرد کاهش می یابد. بدین ترتیب که با این داده ها، یک پروفایل کاربری ایجاد شده و به عنوان ورودی سیستم توصیه گر استفاده می شود. آزمایش های متعددی انجام شد و در مقایسه با برخی از الگوریتم های جدید شروع سرد، نتایج رضایت بخش بود. در این مقاله به این نتیجه رسیده ایم که فرایند خوشه بندی میزان دقت عملکرد مدل ها را بالا می برد و میانگین خطای مطلق را کاهش می دهد و همچنین الگوریتم ارتقای گرادیان نسبت به الگوریتم جنگل تصادفی از کارایی بهتری برخوردار است.
کلیدواژه ها:
Recommender systems ، Cold-start problem ، Social media ، Clustering ، Random Forest ، Gradient Boosting ، سیستم های توصیه گر ، مساله شروع سرد ، رسانه اجتماعی ، خوشه بندی ، جنگل تصادفی ، ارتقای گرادیان
نویسندگان
مهدیه رفیعی
Qazvin Branch, Islamic Azad University
بهروز شاهرخ زاده
Qazvin Branch, Islamic Azad University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :