1
استادیار دانشکدۀ علوم ریاضی و کامپیوتر، دانشگاه خوارزمی، تهران
2
دانشجوی کارشناسی ارشد دانشکدۀ علوم ریاضی و کامپیوتر، دانشگاه خوارزمی، تهران
چکیده
حجم فراوان و رو به رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیمگیری و انتخاب اطلاعات، داده یا محصولات مورد نیاز را برای بسیاری از کاربران وب دشوار کرده است. سامانههای توصیهگر با پیشنهادهایی متناسب با سلیقه کاربران، آنها را در انتخاب محصولات مورد علاقه یاری میدهند. سامانههای توصیهگر مشارکتمحور، دقیقترین توصیهها را با بررسی و کاوش کاربران قبلی از بانک اطلاعاتی، به کاربران جدید ارائه میکنند بهطوری که با علایق آنها مطابقت داشته باشد. چالشهای بسیار چشمگیری که در سامانههای مشارکتمحور وجود دارد عبارت هستند از: مقیاسپذیری، تنکبودن (خلوتی) و شروعسرد. در این مقاله به ارائه یک سامانه توصیهگر مشارکتمحور با استفاده از شبکه توابع پایه شعاعی میپردازیم. سامانه پیشنهادی دارای دو مرحله برونخط و برخط میباشد. در مرحله برونخط، به تخمین مقادیر صفر یا امتیازات داده نشده کاربران در ماتریس امتیازات کاربران به محصولات، با استفاده از شبکه توابع پایه شعاعی میپردازیم. در این مرحله برای تعیین مراکز توابع پایه شعاعی از الگوریتم خوشهبندی کی-میانگین و برای یافتن وزنهای آنها از روش کاهش گرادیان استفاده میکنیم. در مرحله برخط، ابتدا کاربر فعالی وارد سامانه میگردد. سپس به کمک ماتریس کامل بهدست آمده از مرحله برونخط، کاربران را، از طریق محاسبه مقدار تابع تشابه پیرسون بین کاربر فعال و سایر کاربران به دو خوشۀ مثبت و منفی تقسیم میکنیم و با رویکرد همسایه نزدیک، پیشنهادهایی را به کاربر فعال وارد شده به سامانه بر اساس علایق او ارائه میدهیم. در این مقاله، مشکل مقیاسپذیری را با استفاده از خوشهبندی کاربران، مشکل شروع سرد را با پیشنهاد محصولات با بالاترین امتیاز و مشکل تنک بودن را با هموار نمودن ماتریس امتیازات به کمک شبکه توابع پایه شعاعی رفع مینماییم. نتایج آزمایشها بر روی دادههای MovieLens 100K بیانگر بالابودن دقت و کیفیت پیشنهادهای ارائه شده است.