چکیده مقاله تنوع‌بخشی شخصی‌سازی‌شده در سیستم توصیه‌گر با استفاده از الگوریتم شبیه‌سازی تبرید دوهدفه

افزایش حجم اطلاعات روی وب، موجب تولید ابزارهایی شد که پیدا کردن اطلاعات مرتبط به کاربران را برای آنها آسان‌تر کنند. یکی از این ابزارها که امروزه جزء مهمی از سیستم‌های تجارت الکترونیکی است، سیستم‌ توصیه‌گر است. طراحی الگوریتم‌های توصیه معمولا با هدف بهبود دقت انجام می‌شود؛ اما ثابت شده که تمرکز روی این معیار به تنهایی برای ساخت یک توصیه‌گر خوب کافی نیست و توجه به ابعاد دیگر این سیستم‌ها نیز ضروری است. یکی از معیارهای مهم که در سال‌های اخیر مورد توجه قرار گرفته، تنوع اقلام لیست توصیه است. افزایش تنوع در توصیه‌ها منجر به کاهش دقت می‌شود. مسالهی مطرح در این رابطه، میزان مناسب تنوع‌بخشی به توصیه‌ها است. از آنجا که نیاز هر کاربر به تنوع با کاربران دیگر متفاوت است، می‌توان تنوع‌بخشی را متناسب با نیاز هر کاربر انجام داد. در این پژوهش روشی مبتنی بر شبیه‌سازی تبرید دوهدفه ارائه می‌شود که با استفاده از آن می‌توان برای هر کاربر یک لیست توصیه بهینه بر مبنای دو معیار دقت و تنوعِ شخصی‌سازی‌شده ایجاد کرد. نتایج اجرای روش پیشنهادی روی داده‌های Movielens و Netflix نشان می‌دهد که با این روش تنوع‌بخشی شخصی‌سازی‌شده در ازای حداکثر 35/5 درصد کاهش دقت نسبت به روش استاندارد پالایش مشارکتی انجام می‌شود.