توصیه اقلام دنباله طولانی با استفاده از تنوع بخشی شخصی سازی شده در سیستم های توصیه گر

سیستم های توصیه گر در تجارت الکترونیکی، اقلامی را به کاربران توصیه می کنند که پیش بینی می شود متناسب با ارجحیت ها و علاقمندی های کاربر باشند. هراندازه که سیستم توصیه گر، اقلام مورد علاقه ی کاربر را درست تر تخمین بزند، دقت بالاتری خواهد داشت. با این وجود، اگر در الگوریتم های توصیه گر تنها بر افزایش معیار دقت تمرکز شود، مشکلات مختلفی ایجاد می شود که یکی از آنها عدم توصیه اقلام دنباله طولانی است. اقلام دنباله طولانی، اقلامی هستند که تعداد کمی از کاربران، آنها را امتیازدهی کرده اند و به همین دلیل، تشخیص ارتباط آنها به کاربران دیگر دشوار است. در نتیجه، این اقلام به ندرت در توصیه ها شرکت می کنند. تنوع بخشی در توصیه های سیستم های توصیه گر می تواند روشی برای مواجهه با پدیده دنباله طولانی باشد. تنوع بخشی به توصیه ها باعث می شود که اقلام دنباله طولانی، شانس بیشتری برای شرکت در توصیه ها داشته باشند. اما از طرف دیگر، ممکن است کاربران خواستار سطوح متفاوتی از تنوع در توصیه های دریافتی باشند. به همین دلیل، در این پژوهش پیشنهاد می گردد که تنوع بخشی به توصیه ها به صورت شخصی سازی شده و متناسب با نیاز هر کاربر انجام شود. برای این منظور، یک الگوریتم توصیه گر ارایه می گردد که در آن برای مقابله با مشکل عدم توصیه اقلام دنباله طولانی، تنوع بخشی در توصیه ها با استفاده از بهینه سازی چندهدفه، شخصی سازی می شود. ارزیابی و مقایسه ی روش پیشنهادی با روش های پیشین نشان می دهد که این روش بهینه سازی چندهدفه، اهداف خود را به خوبی برآورده می کند؛ به این صورت که به مشارکت بیشتر اقلام دنباله طولانی کمک می کند و دقت سیستم توصیه گر را همزمان با شخصی سازی تنوع در حد مطلوبی حفظ می کند.