ارائه یک سیستم توصیه گر اثربخش با به کارگیری روابط اعتماد محلی و سراسری آگاه از زمینه

با رشد سریع و مداوم اینترنت، ضرورت وجود سیستم های توصیه گر جهت پالایش اطلاعات افزایش یافته است. در طی سال های اخیر، به دلیل محبوبیت شبکه های اجتماعی، سیستم های توصیه گر مبتنی بر اعتماد توجه زیادی را به خود جلب کرده اند. یکی از ویژگی های مهم اعتماد که معمولا در رویکردهای موجود نادیده گرفته شده است، ویژگی وابستگی به زمینه است. منظور این است که کاربرانی که در یک زمینه خاص قابل اعتماد هستند، لزوما در زمینه های دیگر قابل اعتماد نیستند. بنابراین، سطح اعتماد میان دو کاربر را باید وابسته به زمینه هدف مورد بررسی قرار داد. برای پیش بینی ترجیحات یک کاربر در یک سیستم توصیه گر مبتنی بر اعتماد، می توان روابط اعتماد در هر زمینه را به صورت محلی یا سراسری مدل سازی نمود. زمانی که ماتریس امتیازات بسیار تنک باشد، مدل محلی اثربخشی لازم را نخواهد داشت و منجر به کاهش کیفیت پیشنهادها می گردد. در چنین شرایطی، می توان با بهره گیری از یک مدل سراسری، سطح اعتماد به یک کاربر را بر اساس شهرت وی در کل جامعه تعیین نمود. در این مقاله، یک رویکرد جدید پیشنهاد می شود که از هر دو منبع اعتماد محلی و سراسری به صورت وابسته به زمینه بهره می گیرد و بر اساس سطح تنکی داده ها، آن ها را وزن دهی و ترکیب می نماید. نتایج آزمایش ها بر روی مجموعه داده MovieLens ۱M نشان می دهد که میانگین خطای مطلق رویکرد پیشنهادی در مقایسه با رویکردهای CATRA، HUIT و TSF، به طور متوسط به ترتیب ۵/۲%، ۶/۵% و ۸/۶% کمتر است. همچنین در مواجهه با مشکل تنکی داده ها، خطای رویکرد پیشنهادی به طور متوسط بین ۴% تا ۸% پایین تر از رویکردهای مذکور می باشد.