بهبود الگوریتم خوشه بندی برای مساله کاربران gray-sheep در سیستم های توصیه گر

سیستم های توصیه گر ابزارهای نرم افزاری و تکنیک های ارایه پیشنهادات برای آیتم ها به منظور استفاده برای یک کاربر می باشند. پیشنهادات مربوط به فرآیندهای مختلف تصمیم گیری مانند چه آیتم هایی بخریم، چه موزیکی گوش دهیم و یا چه اخبار برخطی را بخوانیم، می باشند. این سیستم ها با استفاده از تکنیک های داده کاوی و یادگیری ماشین اطلاعات نهان را فیلتر می کنند و می توانند پیش بینی کنند که آیا یک کاربر یک آیتم داده شده را دوست دارد یا خیر. دو نوع اصلی از سیستم های توصیه گر وجود دارد که عبارتند از، سیستم های توصیه گر پالایش مشارکتی و سیستم های توصیه گر پالایش مبتنی بر محتوا. یکی از مشکلات سیستم های توصیه گر پالایش مشارکتی مساله کاربران gray-sheep می باشد. چنین اشکالی به کاربرانی مرتبط است که علایق آنها با افرادی از هیچ گروهی از کاربران مطابقت ندارد. در نتیجه، این کاربران هیچ پیشنهادی را دریافت نمی کنند. بنابراین باید ابتدا با استفاده از الگوریتم های خوشه بندی، آنها را در خوشه ای جداگانه در نظر گرفته و سپس برای آنها پیشنهادات مناسبی را ایجاد کنیم. نگارنده در این مقاله تغییراتی را در ماژول های خوشه بندی Kmeans ایجاد کرده است و در نهایت باعث کاهش خطا در سامانه توصیه گر شده است.