سیستم های توصیه گر مبتی بر فیلترینگ مشارکتی در تجارت الکترونیک با رویکرد مبتکرانه

الگوریتمهای فیلتر مشارکتی (CF) به طور گسترده ای برای ساخت سیستم های توصیه گر استفاده می شود زیرا آنها قابلیت تشخیص در اشتراک گذاری خرد جمعی و تجربیات را دارند . با این حال، آنها ممکن است به راحتی در تله Matthew بیفتند، که تمایل دارد موارد محبوب را توصیه کند و از این رو موارد کمتر محبوب به طور فزاینده ای محبوبیت کمتری پیدا می کنند . در این شرایط ، بیشتر اقلام موجود در لیست توصیه ها هستند که در حال حاضر برای کاربران آشنا بوده و بنابراین به طور جدی در پیدا کردن cold items عملکرد آن کم خواهد بود. برای پرداختن به این موضوع، در این مقاله، یک نظرسنجی از کاربران برای اولین بار براساس عادات خرید آنلاین در چین انجام شده است که بر اساس آن الگوریتم پیشنهادی جدید با عنوان فیلترینگ مشارکتی مبتنی بر مبتکر پیشنهاد شده است که میتواند با معرفی مفهوم نوآوران، cold items را به کاربران توصیه کند. به طور خاص، زیرمجموعهخاصی از کاربران هستند که می توانند cold items را بدون کمک سیستم توصیه گر کشف کنند. بنابراین، cold items را می توان از طریق مبتکران در لیست توصیه ها ثبت کرد و تعادل بین serendipity و دقت را به دست آورد. برای تایید اثربخشی الگوریتم ما، آزمایش های گسترده بر روی مجموعه داده ارائه شده ارائه شده توسط گروه علی بابا درالگوریتم رقابتی توصیه موبایل که از محیط تجارت الکترونیک واقعی جمع آوری شده انجام شد و با حجم وسیعی از داده ها، رفتار کاربر را کشف می کند.