زهرا یوسفی هفشجانی - دانشجوی کارشناسی ارشد فناوری اطلاعات دانشگاه اصفهان
مرجان کائدی - استادیار دانشگاه اصفهان
محمدعلی نعمت بخش - دانشیار دانشگاه اصفهان

امروزه با توجه به رشد فزاینده داده های در دسترس هر کاربر و زمان بر شدن انتخاب محصولات مطلوب برای او، اهمیت سیستم های توصیه گر غیرقابل انکار است. سیستم توصیه گر، با تحلیل رفتار کاربران و جمع آوری اطلاعات آن ها، توصیه های مفیدی متناسب با نیاز کاربران به آن ها پیشنهاد می دهد. هسته یک سیستم توصیه گر، رویکردهای پالایشی آن می باشد. پالایش مشارکتی، مشهورترین و پر استفاده ترین این رویکردها است و بهبود آن، از اهمیت فراوانی برخوردار است. در این رویکرد، لیست اقلام پیشنهادی، بر اساس علاقه مندی کاربران مشابه کاربر فعال تهیه می شود. پالایش مشارکتی مبتنی بر کاربر، صرفا از منظر سلایق و ترجیحات کاربر، مدل کاربر را کشف می کند و بنابراین منحصر به فرد بودن کاربر را نادیده می گیرد. تاکنون برای یافتن کاربران مشابه علاوه بر امتیازدهی های انجام شده توسط کاربران، مهیارهای شباهت دیگری نیز پیشنهاد شده است. شخصیت یکی از این معیارها است که اخیرا توجه زیادی را به خود جلب کرده است. از طرف دیگر، یک روش رایج برای بهبودعملکرد سیستم های پالایش مشارکتی، خوشه بندی کاربران بر مبنای ویژگی های مختلف است. ولی این روش اغلب با تعمیم بیش از حد، موجب کاهش دقت توصیه های شخصی سازی شده می شود. هدف از این مقاله، ارائه یک راهکار جدید و کاربردی با بهره گیری از خوشه بندی بر مبنای اطلاعات شخصیتی افراد برای سیستم های توصیه گر مبتنی بر پالایش مشارکتی است. ارزیابی روش پیشنهادی نشان داده است که این راهکار میتواند دقت سیستم را ارتقا دهد و حتی در شرایط مواجهه با تنکی داده هم پیشنهادات مناسبی را ارائه می دهد. راه حل پیشنهادی بی نیاز از اطلاعات شبکه های اجتماعی، برچسب ها، محتوای اقلام کالا، نمایه ی کاربران و اطلاعات مربوط به موقعیت آن ها می باشد و در اکثر دامنه ها و محصولات قابل استفاده است.

سیستم توصیه گر، پالایش مشارکتی، شخصیت، خوشه بندی، مدل پنج عامل بزرگ شخصیتی