کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

بهبود سیستم‌های توصیه‌گر با استفاده از معیار تعلق جدید و الگوریتم بهینه‌سازی غزال کوهستان

نویسندگان :

اسراء موسوی¹ سیدابوالفضل شاهزاده فاضلی² الهام عباسی³ فاطمه کاوه یزدی⁴

1- دانشگاه یزد 2- دانشگاه یزد 3- دانشگاه یزد 4- دانشگاه یزد

کلمات کلیدی :

سیستم توصیه‌گر،خوشه‌بندی k-میانگین،بهینه‌سازی فراابتکاری،الگوریتم بهینه‌سازی غزال کوهستان

چکیده :

سیستم‌های توصیه‌گر به‌عنوان ابزارهایی ضروری برای پالایش حجم عظیم اطلاعات آنلاین توسعه یافته‌اند. افزایش نیاز به شخصی‌سازی، رفتار پویا‌ی کاربران و دسترسی گسترده به اینترنت از دلایل اصلی گسترش آن‌هاست. این سیستم‌ها با تحلیل شباهت میان کاربران یا اقلام، موارد مرتبط را پیشنهاد می‌دهند. در روش‌های فیلتر مشارکتی، این شباهت‌ها معمولاً رابطه‌ای متقارن بین کاربران ایجاد می‌کند. برای افزایش دقت و کارایی توصیه‌ها، از روش‌های خوشه‌بندی برای گروه‌بندی کاربران یا اقلام مشابه استفاده می‌شود. در این پژوهش، یک روش بهبودیافته‌ی مبتنی بر خوشه بندی ارائه شده است. ابتدا الگوریتم‌های بهینه‌سازی برای یافتن مراکز خوشه‌ی دقیق‌تر به‌کار می‌روند و سپس کاربران با توجه به میزان تعلق و کیفیت خوشه‌ها در گروه‌های مناسب قرار می‌گیرند تا توصیه‌های دقیق‌تری تولید شود. این روش بر روی مجموعه‌داده‌ی معتبر MovieLens 100K ارزیابی شده و با شاخص‌هایRMSE، MAE، Accuracy، Precision، Recall و F1-score مقایسه شده است. نتایج نشان می‌دهدکه روش پیشنهادی مبتنی بر الگوریتم MGO مقادیر RMSE و MAE کمتری دارد، که نشان‌دهنده‌ی پیش‌بینی دقیق‌تر ترجیحات کاربران و کاهش خطاست. همچنین در ارزیابی طبقه‌بندی، بالاترین مقدار F1-score به دست آمده است که بیانگر تعادل مطلوب بین دقت و بازخوانی است. این نتایج نشان می‌دهد که روش پیشنهادی توانایی بالایی در شناسایی اقلام مرتبط و کاهش توصیه‌های نادرست دارد.