الگوریتمی توصیهگر مبتنی بر تجزیه مقدار تکین و با تاکید بر فضای پنهان تشابه

سامانه های توصیه گر، ابزارهای موثر نرم افزاری هستند که پس از تجزیه و تحلیل داده های موجود، پیشنهادهایی مناسب و نزدیک به واقعیت را در اختیار مخاطب قرار میدهند. به عنوان مثال سامانه توصیه گر یک فروشگاه پیشنهادهایی مربوط به اقلام موجود در فروشگاه با توجه به نیاز و سلیقه ی کاربران مطرح میکند. این اقلام میتوانند موسیقی، فیلم، کتاب، تجهیزات و یا اخباری باشند که به صورت آنلاین برای خواندن مخاطبان ارسال میشوند. هر چه این پیشنهادها به نظرات کاربران و علایق آنها نزدیکتر باشد، سامانه ی توصیه گر دقیق تر است. از سال 1992 تاکنون تحقیقات فشرده و بسیار موثری در این زمینه انجام شده است که بزرگترین نتیجه ی آن رشد صعودی استفاده ی کاربران از فروشگاه های مجازی میباشد. در این میان تجزیه ماتریسی یک تکنیک موثر برای تجزیه ماتریس اصلی (ماتریس امتیازات کاربران به اقلام موجود در فروشگاه) در الگوریتم های بهبود دهنده توصیه میباشد. در این مقاله ضمن بررسی لزوم استفاده از الگوهای مشابه بین کاربرها و کالاها، یک الگوریتم با تاکید بر تجزیه مقدار تکین و ویژگی های تشابه بین کالاها و کاربرها (فضای پنهان تشابه) ارایه میشود. ورودی این الگوریتم ماتریسهایی است که از تجزیه مقدار تکین ماتریس اصلی به دست می آید، این ورودیها پس از اجرای الگوریتم بهبود مییابند و در نهایت ماتریس اصلی که توصیه های مناسب در آن اعمال شده است، حاصل میگردد.

کلیدواژه ها:

سامانه توصیه گر ، تجزیه مقدار تکین ، الگوریتم محتوا محور ، فضای پنهان تشابه