فاطمه قراگزلو - دانشجوی کارشناسی ارشد نرم افزار کامپیوتر دانشگاه آزاد اسلامی واحد جنوب
علی معینی - دکترای برق و کامپیوتر دانشگاه تهران

سیستمهای توصیهگر ابزارهای نرمافزاری و تکنیکهای ارائه پیشنهادات برای آیتمها به منظور استفاده برای یک کاربر میباشند. پیشنهادات مربوط به فرآیندهای مختلف تصمیمگیری مانند چه آیتمهایی بخریم، چه موزیکی گوش دهیم و یا چه اخبار آنلاینی را بخوانیم میباشند. این سیستمها با استفاده از تکنیکهای دادهکاوی و یادگیری ماشین اطلاعات نهان را فیلتر میکنند و میتوانند پیشبینی کنند که آیا یک کاربر یک آیتم داده شده رادوست دارد یا خیر. دو نوع اصلی از سیستمهای توصیهگر وجود دارد: 1 سیستمهای توصیهگر پالایش مشارکتی و 2سیستمهای توصیهگر پالایش مبتنی بر محتوا. یکی از مشکلات سیستمهای توصیهگر پالایش مشارکتی، مسالهکاربران gray-sheep میباشد. چنین اشکالی به کاربرانی مرتبط است که علایق آنها با افرادی از هیچ گروهی از کاربران مطابقت ندارد. در نتیجه، این کاربران هیچ پیشنهادی را دریافت نمیکنند. بنابراین باید ابتدا با استفاده از الگوریتمهای خوشهبندی، آنها را در خوشهای جداگانه در نظر گرفته و سپس با استفاده از الگوریتمهای دسته- بندی متن، برای آنها پیشنهادات را ایجاد کنیم

کاربران gray-sheep ، خوشهبندی، پالایش مشارکتی، انتخاب مراکز