فاطمه راکعی - گروه مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر،دانشگاه شیراز، شیراز، ایران
نیلوفر مظفری - استادیار گروه پژوهشی طراحی و عملیات سیستم ها، مرکزمنطقه ای اطلاعرسانی علوم و فناوری، شیراز، ایران
علی حمزه - استاد گروه مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز، شیراز، ایران

با پیشرفت علم و افزایش روز افزون حجم اطلاعات، استفاده از سیستم های توصیه گر در همه زمینه ها کاربرد پیدا کرده است اکثر این سیستم ها از یک معیار رتبه بندی در پیشبینی هایشان استفاده می کنند با این حال، استفاده از سیستم های توصیه گر چند معیاره موجب ارائه پیشبینی های دقیق تری می شوند .از چالش های اصلی در سیستم های توصیه گر، پراکندگی ماتریس کاربر-مورد و یا همان وجود داده های گمشده است که این مساله در سیستم های توصیه گر چند معیاره که هر کاربر باید معیارهای متفاوتی را در مورد یک مورد(کالا، خدمات) ثبت نماید، بسیار مشهودتر است در این مقاله، الگوریتمی برای مدیریت داده های گمشده در سیستم های توصیه گر چندمعیاره با استفاده از یادگیری عمیق ارائه می شود الگوریتم ارائه شده قادر است برای کاربرانی که به تازگی وارد سیستم شده اند و سابقه ای از علاقه مندی آن ها در دستر س نیست، توصیه های مناسبی ارائه دهد همچنین رتبه بندی های ارائه شده برای معیارهای مختلف را به نحوی ترکیب کند که رتبه بندی کلی به بهترین نحو پیشبینی شده و بهترین توصیه ها به کاربران، مطابق با علایقشان پیشنهاد شود نتایج به دست آمده حاکی ازکارایی روش پیشنهادی برای مدیریت داده های گمشده در سیستم های توصیه گر چندمعیاره است

سیستم توصیه گر، داده های گمشده، رتبه بندی، سیستم توصیهگر چند معیاره، فیلتر مشارکتی، یادگیری عمیق