ارائه روشی جدید برای کشف نزدیکترین همسایگی در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی

سیستم های توصیه گر با تحلیل و بررسی داده های متعلق به کاربران، یک سری آیتم های خاص را برمبنای علایق به کاربران پیشنهاد می کنند. هدف از آنالیز داده های مربوط به کاربران، استخراج الگوهای هر کاربر به منظور پیش بینی آیتم ها می باشد. یکی از مهمترین روش ها در سیستم های توصیه گر، روش فیلترینگ مشارکتی است. در سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی از معیارهای شباهت جهت کشف کردن کاربران مشابه با کاربر جدید برای ارائه پیشنهاد استفاده می شود. از چالش های سیستم های توصیه گر مبتنی بر فیلترینگ مشارکتی می توان به فاکتورهای شباهت و تشخیص همسایگی اشاره کرد. در این مقاله از روش نزدیک ترین همسایه به منظور تشخیص همسایگان مشابه به کاربر جدید برمبنای فاصله استفاده می کنیم. مدل پیشنهادی که برگرفته از روش کاربر-آیتم است، امتیاز اقلام برمبنای فاصله محاسبه می شود و نزدیکترین فاصله به منظور تشابه انتخاب می شود. در مدل پیشنهادی، تشخیص کاربران مشابه براساس ماتریس کاربر-آیتم توسط فاصله اقلیدسی انجام می شود. آزمایشات مدل پیشنهادی برروی مجموعه داده Movielens که شامل ۱۶۸۲ آیتم است انجام شده است. برای ارزیابی از معیارهای دقت، فراخوانی، F۱، میانگین خطای مطلق و میانگین خطای مربعات ریشه استفاده شده است. میانگین خطای مطلق در مدل پیشنهادی در مقایسه با شباهت پیرسون و کسینوسی کمتر است و مقدار آن برابر با ۰.۷۳۱۵ می باشد. در نتیجه دقت مدل پیشنهادی در تشخیص تشابه و پیش بینی بیشتر است.