حل مشکل شروع سرد سیستم های پیشنهاد دهنده بر اساستکنیک های خوشه بندی و قوانین انجمنی

امروزه به دلیل گستردگی رقابت در دنیای تجارت الکترونیک یافتن روشهای موثر در جذب مشتریان و کاربران از اهمیت ویژه ای برخوردار است یکی از این روشها استفاده از الگوریتمهای مربوط به سیستمهای توصیه گر در وب گاه های تجاری است و بدین ترتیب امکان استخراج علایق مشتریان و پیشنهاد مناسبترین محصولات به آنان به کارگیری شیوه های داده کاوی میسر می گردد با توجه به مطالعات فراوانی که بر رو یاین نوع الگوریتمها انجام شده اند، یکی از عمده ترین چالشهای موجود در الگوریتمهای فیلترینگ مشارکتی مشکل شروع سرد می باشد. سیستم پیشنهادی از تکنیکهای فراوانی الگو و فیلترینگ مشارکتی برای پیشنهادهای شخصی سازی شده به منظور به حداقل رساندن مشکلات شروع سرد و پراکندگی داده ای که در روش CF وجود دارند. استفاده می نماید استخراج آیتمهای پرتکرار، براساس الگوریتم اپریوری و خوشه بندی غنی شده با الگوریتمهای تکاملی می باشد در این روش با توجه به اینکه الگوریتم اپریوری فقط روی اعضای یک خوشه که توسط الگوریتم ترکیبی ازدحام ذرات و ژنتیک بهبود یافته انجام می شود پیدا کرده Itemset های مکرر نست به روشهای دیگر سریعت و مجموعه های کاراتر استخراج می شوند در سیستم پیشنهاادی از مدلسازی کاربر، مدل CF و الگوهای فروانی استافده می شود و کارایی روش توصیه شده با روشهای سنتی مقایسه می شود و نشان داده می شود که این سیستم می تواند به کارایی بهتری دست یابد.