افزایش کارایی خوشه بندی کاربران سیستم های پیشنهاد دهنده با استفاده از الگوریتم های یادگیری ماشین تقویتی

امروزه سیستم های توصیه گر ابزار کارآمدی در وب سایت های تجارت الکترونیک محسوب می شوند و هدف اصلی آنها تولیدپیش بینی های دقیق به منظور دستیابی کاربران به اطلاعات موردنظر خود با کمترین زمان و انرژی دسترسی است. خوشه بندی سبببهینه سازی فعالیت جستجوی اطلاعات در این سیستم ها شده و زمان جستجوی کاربر را کاهش می دهد. در برخی از سیستم هایتوصیه گر، مسئله توصیه اشیاء برای کاربر جدید که اولین ورود را تجربه می کند وجود دارد. این پژوهش با استفاده الگوریتم هایشبکه های عصبی پرسپترون چندلایه و الگوریتم K -نزدیکترین همسایه و سپس رای گیری بین این دو الگوریتم، دقت خوشه بندیداده ها را بهبود می بخشد، به طوریکه داده ورودی در خوشه مناسب تر قرار گیرد. نتایج آزمایش های انجام شده بر روی مجموعه داده یاستاندارد سیستم های پیشنهاددهنده MovieLens نشان میدهد، روش پیشنهادی در مقایسه یا سایر روش های پیشین از عملکردبهتری برخوردار است. نتایج آزمایش ها میزان صحت ۹۴/۴۳%، دقت ۹۴/۸۳% و بازیابی ۹۴/۱۴% در تشخیص و خوشه بندی داده ها را نشان میدهد که نسبت به مطالعه پیشین، تقریبا ۱ درصد بهبود در دقت و بازیابی حاصل شده است.