حل مشکل شروع سرد سیستم های پیشنهاد دهنده در سیستم های برچسب زن اجتماعی

سیستم های برچسب زن اجتماعی پیوسته در حال متداول شدن می باشند. این سیستم ها به کاربران اجازه می دهند تا منابع خود را آزادانه سازمان دهی نمایند. افزایش این سیستم ها نجر به افزایش حجم داده شده و فراهم کردن اطلاعات مناسب از بین این حجم وسیع داده، مدنظر محققین بوده است. سیستم های پیشنهاد دهنده برای حل این مشکل ارائه شده اند. این سیستم ها با استفاده از رفتار کاربران در گذشته، علایق آن را تشخیص و پیشنهادهای مناسبی را به کاربران ارائه می دهند. هنگامی که کاربران جدید وارد سیستم می شوند، م عمولاً اطلاعات کافی به منظور تولید پیشنهادها برای آنها وجود ندارد که منجر به بروز مشکل شروع سرد می شود. در این مقاله سیستمی پیشنهادی می شود که در طی فاز برون خط با ترکیب الگوریتم رقابت استعماری گسسته و الگوریتم k-medoids برچسب ها را خوشه بندی کرده و در طی فاز برخط با ورود کاربر جدید و وارد کردن برچسب های مدنظرش، k همسایه هر برجسب جدید و منابعی که توسط همسایه ها برچسب گذاری شده اند، استخراج و وزن دهی شده و تعدادی منبع با بیشترین وزن پیشنهاد می شوند. ازیابی سیستم پیشنهادی بر روی مجموعه داده استخراج شده از وب سایت MovieLens انجام شده است. ن تایج به دست آمده از آزمایش ها، بهبود معیارهای ارزیابی در ارائه پیشنهادها در مقابل سایر روش ها را نشان می دهد.