بهبود کارایی سیستم های توصیه گر در مواجه با مساله شروع سرد با استفاده از تحلیل رفتار کاربران در شبکه های اجتماعی

هدف سیستم های توصیه گر معرفی آیتم هایی به کاربران است که می تواند موردعلاقه آنها باشد. یکی از چالش های اصلی که عملکرد سیستم­ های توصیه گر را تحت تاثیر قرار می دهد مشکل شروع سرد است. زمانی که کاربر یا آیتم جدیدی به مجموعه اضافه می شود، سیستم به دلیل عدم اطلاعات کافی نمی تواند پیشنهادهای مناسبی را ارائه کند. در این مقاله رویکردی ارائه می شود که در آن از داده ­های رسانه های اجتماعی مانند توئیتر برای ایجاد یک پروفایل رفتاری استفاده می ­شود. سپس با استفاده از تکنیک های یادگیری ماشین، پروفایل ­های کاربران خوشه ­بندی می ­شوند. براساس این خوشه­ بندی ­ها پیش ­بینی ­هایی با استفاده از الگوریتم­های جنگل تصادفی و ارتقای گرادیان ایجاد می ­شود. بنابراین کاربر مجبور نخواهد بود هیچ نوع داده ای را به طور صریح ارائه دهد و با کمک اطلاعات شبکه ­های اجتماعی کاربران، مشکل شروع سرد کاهش می ­یابد. بدین ترتیب که با این داده ­ها، یک پروفایل کاربری ایجاد شده و به عنوان ورودی سیستم توصیه ­گر استفاده می ­شود. آزمایش ­های متعددی انجام شد و در مقایسه با برخی از الگوریتم­ های جدید شروع سرد، نتایج رضایت ­بخش بود. در این مقاله به این نتیجه رسیده­ ایم که فرایند خوشه ­بندی میزان دقت عملکرد مدل­ ها را بالا می ­برد و میانگین خطای مطلق را کاهش می ­دهد و همچنین الگوریتم ارتقای گرادیان نسبت به الگوریتم جنگل تصادفی از کارایی بهتری برخوردار است.

کلیدواژه ها:

Recommender systems ، Cold-start problem ، Social media ، Clustering ، Random Forest ، Gradient Boosting ، سیستم های توصیه گر ، مساله شروع سرد ، رسانه اجتماعی ، خوشه بندی ، جنگل تصادفی ، ارتقای گرادیان