محسن رحمانی - استادیار، گروه آموزشی مهندسی کامپیوتر، دانشکده فنی مهندسی دانشگاه اراک
زینب حیدری - دانشجوی کارشناسی ارشد، گروه آموزشی کامپیوتر، دانشکده فنی مهندسی دانشگاه اراک

رشد روزافزون تجارت الکترونیکی و استقبال مشتریان از این شیوه تجارت سیب ازدیاد حجم اطلاعات و تنوع محصولات و در نتیجه سخت شدن انتخاب برای مشتریان شده است. سیستم های پیشنهاددهنده در حل این مشکل به کمک بشر آمده اند و در این راستا از شیو پالایش اطلاعات استفاده می کنند که از جمله آنها روش های خوشه بندی می باشد. این روش ها اطلاعات را بر حسب فاکتورهای مورد نیاز، خوشه بندی می کنند تا سیستم های پیشنهاددهند بتوانند پیشنهادهای دقیق تری در اختیار کاربران بگذارند. به خاطر پیچیدگی، پارامترهای متعدد مسئله و ضعف روش های خوشه بندی پایه، امروزه برای خوشه بندی بهتر اطلاعات از روش های ترکیبی خوشه بندی استفاده می کنند. یکی از روش ها، ترکیب الگوریتم های تکاملی با الگوریتم های خوشه بندی پایه است. در این مقاله برای خوشه بندی داده ها الگوریتم ترکیبی GCM بکار گرفته شده ک ترکیبی از الگوریتم ژنتیک با الگوریتم خوشه بندی Fuzzy C-means یا FCM می باشد. با افزایش حجم اطلاعات یکی از مشکلات سیستم های پیشنهاد دهنده، مسئله مقیاس پذیری است که برای حل این مسئله از الگوریتم خوشه بندی FCM کمک گرفته شده است. این الگوریتم به افزایش دقت این سیستم ها نیز کمک می کند. اما الگوریتم FCM خود از مشکل گیر افتادن در نقطه بهینه محلی رنج می برد که الگوریتم تکاملی ژنتیک برای حل آن به کار گرفته شده است. این الگوریتم براساس توانایی بالایی که در جستجوی فضای الگوریتم پیشنهادی با الگوریتم مشابه ای به نام GKM و الگوریتم های پایه FCM K-means مقایسه می شود. در ارزیابی این الگوریتم ها مشخص شد الگوریتم پیشنهادی GCM نتایج بهتری نسبت به بقیه در بر داشته، دقت سیستم پیشنهادی را به طور چشمگیری بالا برده و مسئله مقیاس پذیری را حل کرده است. سیستم پیشنهاد دهند و کلیه الگوریتم های یاد شده در نرم افزار Matlab پیاده سازی شده، و برای ارزیابی آنها از مجموعه داده های Movielense کمک گرفته شده است.

سیستم های پیشنهاد دهند، الگوریتم GCM، الگوریتم FCM، الگوریتم GKM، الگوریتم ژنتیک، الگوریتم K-means