یک روش بهبود فیلترینگ مشارکتی مبتنی بر سیستم های توصیه گر با استفاده از الگوریتم خفاش

سیستم های توصیه گر ثابت شده است که در برخورد با مسئله اضافه بار اطلاعات از طریق توصیه های کیفیت کمک شایانی کرده اند. در دوره های اخیر، تکنیک های اکتشافی توسط محققان در سیستم های توصیه کننده به همراه روش های سنتی فیلترینگ مشارکتی و مبتنی بر محتوا به کار گرفته شده است. هدف فیلترینگ مشارکتی یافتن کاربرانی است که هم عقیده با کاربر جدید هستند. سپس آیتم های مورد علاقه آنها را به کاربر جدید پیشنهاد می کند. به همین ترتیب، در این کار از یک روش اکتشافی مبتنی بر الگوریتم خفاش برای محاسبه وزن اقلام (ویژگی ها) استفاده شده است تا همسایگی های بهتر را برای کاربر فعال پیدا کنند. ما استدلال می کنیم و همچنین با استفاده از نتایج اثبات می کنیم که این تکنیک برای دادن وزن به اقلام با استفاده از روش های اکتشافی در دستیابی به توصیه های شخصی بهتر کمک می کند. عملکرد این سیستم با سیستم مبتنی بر کلونی زنبورهای مصنوعی نیز مقایسه شده است. نتایج نشان داد کهBAاز نظر میانگین خطای مطلق و امتیاز F۱با استفاده از تکنیک ما ۶.۹ ٪ بهتر ازABCبه دستمی آید.