میثم جلالی - کارشناسی ارشد دانشگاه صنعتی امیرکبیر
حجت قلی زاده - دکتری دانشگاه صنعتی امیرکبیر
تهمینه مبادی فر - کارشناسی ارشد مهندسی فناوری اطلاعات دانشکده مهندسی کامپیوتر، دانشگاه شیراز

سیستم های توصیه گر به طور وسیعی در سایت های تجارت الکترونیک مورد استفاده قرار می گیرند. هدف از این سیستم ها، کمک به کاربران در یافتن اقلام مورد نظرشان می باشد. یکی از موفق ترین الگوریتم های ایجاد پیشنهاد، روش پالایش گروهی است. پالایش گروهی به منظور پیشنهاد یک کالا به کاربر هدف، از سوابق امتیازدهی کاربران مشابه روی ان کالا استفاده می نماید. پالایش گروهی با همه کارایی ای که دارد از چند مشکل رنج می برد. از جمله محدودیت های پالایش گروهی می توان به مشکل شروع سرد، تنک بودن ماتریس رتبه دهی اشاره نمود. شروع سرد یعنی این که محصول جدیدی وارد سیستم شده و هنوز هیچ رتبه ای به این محصول داده نشده است. خلوت بودن یعنی این که در ماتریس قلم-کاربر تعداد رتبه هایی که وجود دارد نسبت به کل رتبه هایی که می تواند وجود داشته باشد بسیار کم است. در این مقاله، به منظور بهبود سیستم های توصیه گر در شرایطی که دارای مشکلات ذکر شده هستند، از داده های موجود در شبکه های اجتماعی استفاده شده است. اطلاعات موجود در شبکه های اجتماعی، شامل پروفایل و روابط بین کاربران می باشد. ابتدا کاربران بر اساس ماتریس رتبه دهی، خوشه بندی می شوند. سپس به منظور یافتن نزدیک ترین همسایه ها، اطلاعات مربوط به محتوای اقلام و ماتریس جدید ترکیب خواهد شد. برای ارزیابی مدل پیشنهادی از مجموعه داده ی 100 هزارتایی مووی لنز استفاده شده است. نتایج نشان می دهد که مدل ارائه شده در هنگام مواجهه با مشکل شروع سرد و خلوت بودن ماتریس از دقت بالایی برخوردار است.

سیستم های توصیه گر، پالایش گروهی، شبکه های اجتماعی، ماتریس خلوت، شروع سرد