یک معیار شباهت نوین پالایش مشارکتی در سامانه های توصیه گر

سامانه های توصیه گر به عنوان بخش مهم اینترنت، به سه دسته پالایش اطلاعات جمعیت شناختی، مبتنی بر محتوا و مشارکتی تقسیم می گردند. پالایش مشارکتی مبتنی بر همسایگان به عنوان مهم ترین کلاس های پالایش مشارکتی، کاربرد گسترده ای در حوزه تجاری را داراست. کلید این رویکرد در یافتن کاربران (کالا ها) مشابه براساس ماتریس امتیازات کاربر-کالا بوده تا بتواند توصیه های مناسبی را برای کاربران فراهم نماید. اکثر رویکردهای سامانه های توصیه گر براساس الگوریتم های شباهت مانند کسینوس، ضریب همبستگی پیرسون و ... می باشد که تنها از کالا های دارای امتیاز مشترک مابین کاربران به منظور محاسبه شباهت میان دو کاربر استفاده می نمایند. از همین رو این معیارها مناسب ماتریس امتیازات پراکنده نمی باشند. در این مقاله به منظور محاسبه شباهت، معیار مشابهت جدیدی را براساس همسایگان کاربران ارایه داده ایم تا عملکرد توصیه ها را زمانی که تعداد امتیازات کمی در دسترس باشد، نیز بهبود بخشد. ازاین رو از رویکرد احتمالاتی برای مدل سازی معیار مشابهت پیشنهادی میان دو کاربر استفاده کرده ایم. به منظور بیان اثربخشی معیار پیشنهادی، عملکرد معیارهای مشابهت سنتی و بروز را با معیار مشابهت پیشنهادی مقایسه کرده ایم. نتایج توصیه های صورت گرفته براساس معیارهای ارزیابی مختلف نشان دهنده این است که معیار مشابهت پیشنهادی عملکرد بهتری در مقایسه با دیگر معیارهای مشابهت در داده های پراکنده را داراست.