استفاده از کاربران نامشابه به منظور افزایش تنوع پیشنهادها و کاهش مسئله ی شروع سرد

به واسطه ی حجم عظیم اطلاعات و رشد برنامه های اینترنت، استفاده از سیستم های توصیه گر یک امر ضروری شده است. در این زمینه، الگوریتم های تصفیه ی تجمعی به موفقیت های چشمگیری دست یافته اند که ارائه ی پیشنهادها را به وسیله ی تشخیص کاربران مشابه تسهیل می نمایند. اما دلایل مختلفی نظیر عدم وجود دقت کافی در فرمول های پیشبینی و مسائلی نظیر شروع سرد و خلوتی باعث شده اند که الگوریتم های تصفیه ی تجمعی در ارائه ی یک لیست پیشنهاد به طول N به تمام کاربران موجود در سیستم ناتوان شوند. استفاده از همسایگان مشابه در ارائه ی اقلام به کاربران، نه تنها درخصوص کاربران تازه وارد کاربردی نمی باشد، بلکه باعث می شود تا اقلام درون لیست، مشابه یکدیگر باشند. رهیافت پیشنهادی از همسایگان نامشابه برای پر کردن لیست های پیشنهاد استفاده می کند. این رهیافت نه تنها باعث می شود تمام کاربران شامل کاربران تازه وارد، یک لیست پیشنهاد دقیقا به طول N داشته باشند، بلکه نتایج آزمایش ها نشان می دهند که این روش، در ضمن بهبود تنوع، دقت را کاهش نمی دهد.

کلیدواژه ها:

سیستم های توصیه گر ، تصفیه ی تجمعی ، تنوع ، دقت ، کاربران نامشابه