زهره نوذری خوشدره گی - دانشجوی کارشناسی ارشد
رابعه روانی فرد - استادیار
آزاده سلطانی - استادیار

در سال های اخیر با توجه به رشد روزافزون حجم داده ها در بسترهای مختلف، استفاده از سیستم توصیه گر برای کمک بهکاربران در کشف محتوای شخصی مورد علاقه از این مجموعه دائما رو به رشد، اهمیت بیشتری پیدا می کند. سیستم های توصیه گر علایق شخصی کاربران را کشف می کنند و آیتم هایی متناسب با علاقه شان به آن ها پیشنهاد می دهند. با وجود توسعه هایی که در سیستم های توصیه گر شده است، اما کماکان این سیستم ها از مشکلات شروع سرد و پراکندگی داده ها رنج می برند. یکی از روش هایی که برای حل این مشکلات ارائه شده است، به کارگیری گراف دانش در سیستم های توصیه گر به عنواناطلاعات جانبی است. استفاده از گراف دانش در سیستم توصیه گر، علاوه بر بهبود کارایی در حالت شروع سرد، توضیحاتی در مورد دلیل توصیه هر آیتم به کاربران نیز ارائه می دهد. در این مقاله ما به بررسی سیستم های توصیه گر مبتنی بر گراف دانش موجود می پردازیم و کارهای مرتبط انجام شده در این حوزه را مورد بررسی قرار می دهیم

سیستم های توصیه گر، گراف دانش، فاکتورسازی ماتریس