علیرضا توزیعی - گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد مشهد، مشهد، ایران
یحیی فرقانی - گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد مشهد، مشهد، ایران

سیستم های پیشنهاد دهنده، نمونه ای از موفق ترین ابزارهای شخصی سازی در وب هستند. کشف اطلاعات مناسب برای راهنمایی کاربر یا کشف آیتم های مورد علاقه کاربر در یک فضای بسیار بزرگ، از جمله قابلیت های سیستم های پیشنهاد دهنده است. هدف اصلی یک سیستم پیشنهاد دهنده، کشف علایق کاربر و توصیه آیتم ها و خدمات جدید به وی است. چنین سیستمی، یک ابزار ضروری برای فروشگاه های بزرگ اینترنتی است. تاکنون، انواع مختلفی از سیستم های پیشنهاد دهنده ارائه شده است که از آن جمله، می توان به روش slope-one اشاره کرد که نوعی روش رگرسیونی با شیب واحد است. در این روش، امتیاز مجهول آیتم j-ام یک کاربر، براساس این فرض تخمین زده می شود که بازای هر i، اختلاف امتیاز معلوم آیتم i-ام آن کاربر و امتیاز مجهول آیتم j-ام آن کاربر، برابر با میانگین اختلاف امتیاز معلوم آیتم i-ام و امتیاز معلوم آیتم j-ام دیگر کاربران است. در این مقاله، برای افزایش سرعت روش slope-one، برای تخمین امتیاز مجهول آیتم j-ام یک کاربر، از این فرض استفاده می شود که بازای هر i، اختلاف امتیاز معلوم آیتم i-ام آن کاربر و امتیاز مجهول آیتم j-ام آن کاربر، برابر با اختلاف میانگین امتیاز آیتم i-ام و میانگین امتیاز آیتم j-ام دیگر کاربران است. به عبارت دیگر، در روش پیشنهادی، بجای میانگین اختلاف امتیازها در روش slope-one، از اختلاف میانگین امتیازها استفاده می شود. از آنجا که میانگین امتیاز آیتم ها برای تخمین هر امتیاز مجهولی، مقداری ثابت است فقط یکبار محاسبه می شود که منجر به افزایش سرعت روش پیشنهادی در برابر با روش slope-one می شود. آزمایش های انجام شده روی مجموعه داده های یک فروشگاه محصولات فرهنگی واقعی، نشان می دهد که سرعت روش پیشنهادی، ۱۰۰ برابر بهتر از روش slope-one است.

سیستم پیشنهاد دهنده، پالایش مشارکتی، الگوریتم slope-one