چکیده مقاله
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
کلیدواژهها
نویسندگان
فاطمه قراگزلو
دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد تهران جنوب
علی معینی
استادیار برق و کامپیوتر دانشگاه تهران
شیوه ارجاع
قراگزلو، فاطمه و معینی، علی،1394،بهبود الگوریتم خوشه بندی برای مساله کاربران gray-sheep در سیستم های توصیه گر،نخستین کنفرانس ملی محاسبات نرم،رشت
ارائهشده در
مجموعه مقالات نخستین کنفرانس ملی محاسبات نرم27 آبان 1394 · رشت