بهبود سیستم های پیشنهاد دهنده مبتنی بر پالایش مشارکتی با استفاده از مرز پارتو و مفهوم منحصربفردی

سیستم های پیشنهاد دهنده بعنوان برنامه ای معرفی می شوند که تلاش آنها پیشنهاد مناسب ترین آیتم ها (محصولات یا خدمات) به یک کاربر خاص است. یکی از الگوریتم های ایجاد پیشنهاد، روش پالایش مشارکتی است که به منظور پیشنهاد یک کالا به کاربر هدف، از سوابق امتیازدهی کاربران مشابه روی آن کالا استفاده می نماید. از مشکلات اصلی روش پالایش مشارکتی پراکندگی بسیار زیاد در پایگاه داده امتیازات می باشد. روش ارائه شده در این مقاله، انجام یک مرحله پیش پردازش با استفاده از مرز پارتو و مفهوم منحصر بفردی می باشد که در آن کاربران با درجه اهمیت کمتر از مجموعه نزدیکترین همسایه حذف و کاربران با درجه اهمیت بیشتر بعنوان همسایگان برتر انتخاب می شوند. با بررسی نتایج بدست آمده بر روی دو مجموعه داده Movie Lens و Netflix می توان مشاهده کرد که روش پیشنهادی نسبت به روش های اندازه گیری شباهت قبلی بر روی دو معیار ارزیابی سیستم های پیشنهاد دهنده (میانگین مطلق خطا و دقت) بهتر عمل می کند.