چکیده مقاله
امروزه برای خرید کالا های اینترنتی هر شرکت یا سازمان تولیدکننده دارای یک سایت تعبیه شده نرم افزاری تجاری می باشد که با توجه به آن محصولات و خدمات خود را به مشتریان عرضه کند و همچنین با درخواست زیاد کاربران جهت رفع نیاز ها، و افزایش تعداد تولید کنندگان و تنوع بالای محصولات نیز سبب شده که باعث سردرگمی مشتریان می گردد برای رفع این که کاربر در میان حجم عظیمی از داده ها این قابلیت را داشته باشد که بتواند یک پیشنهاد و یا پیش بینی مناسبی را نسبت به درخواست و یا رفع نیاز داشته باشد و از سردرگم بودن مشتریان جلوگیری کند سیستم های توصیه گر راه حل مناسبی است متدهای مختلفی جهت ارائه پیشنهادات در سیستم های پیشنهاددهنده با توجه به طبقه بندی متدها به هشت متد تقسیم بندی می شود که در هر متد به روش خاصی در این سیستم ها به کاربران پیشنهادات و پیش بینی های لازم را ارائه می دهد که عبارت اند از:فیلترینگ همبستگی مشارکتی ،فیلترینگ مبتنی بر محتوا، فیلترینگ الگوریتم های غیر شخصی فیلترینگ مبتنی بر اجتماع،فیلترینگ استخراج داده،فیلترینگ مبتنی بر دانش،فیلترینگ آگاه از محتوا و فیلترینگ ترکیبی که مهم ترین متد سیستم توصیه گر در بین سایر متدها،متد فیلترینگ مشارکتی همبستگی می باشد در این روش به صورت کاملا پویا تعداد خوشه ها را در دیتاست مربوط به سیستم های پیشنهاددهنده توسط الگوریتم خوشه بندیc۳m بر روی دیتاست به نام Movielens ml ۱۰۰k که دارای صدهزاز داده در چهار ورودی می باشد را برآورد کرده و همچنین الگوریتم k means را بهینه کرده و عملیات خوشه بندی نهایی را به خوبی به کمک این روش انجام داده که در صورت ورود کاربر هدف بعد از عملیات خوشه بندی و جستجوی خوشه مشابه با مطابقت دادن اطلاعات پروفایلینگ که شامل یکسری آیتم های که با رتبه بندی کاربران مشابه در خوشه مشابه مبتنی بر فیلترینگ همبستگی که یکی از متدهای آن الگوریتم KNN انجام شده،آن با هر سرخوشه نماینده خوشه خوشه مشابه خود را یافته و بر اساس آیتم های رتبه بندی شده در اطلاعات دموگرافیک نزدیکترین همسایه ها کاربران آیتم همسایه و مشابه را می یابد و آیتمی که بیشترین رتبه را در بین سایر کاربران مشابه کسب کرده در لیست top n کاربر ذخیره می گردد و در قالب یک پیشنهاد ارائه می گردد
کلیدواژهها
نویسندگان
حمیدرضا آوینی
گروه کامپیوتر،دانشکده فنی و مهندسی،دانشگاه آزاد اسلامی واحد یاسوج،یاسوج،ایران
زینب میرزایی زوردجانی
گروه کامپیوتر،دانشکده فنی و مهندسی،دانشگاه بین المللی واحد قشم،قشم،ایران
علیرضا آوینی
گروه حسابداری،دانشکده حسابداری،دانشگاه آزاد اسلامی واحد یاسوج،یاسوج،ایران
شیوه ارجاع
�وینی، حمیدرضا و میرزایی زوردجانی، زینب و آوینی، علیرضا،1401،سیستم های توصیه گر بهبودیافته با استفاده از داده کاوی،نهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران،تهران
ارائهشده در
مجموعه مقالات نهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران29 آبان 1401 · تهران