سیستم توصیه گر زمان و اعتماد مبنا با استفاده از تشخیص جوامع مبتنی بر گراف (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
امروزه اینترنت نقش بااهمیتی در زندگی انسان ها دارد و محتوای وب باید متناسب با نیازهای کاربران باشد تا اطلاعات به روز و مناسب با سلیقه کاربر را فراهم نماید. در این راستا، سیستم های توصیه گر به کاربران کمک کرده و اقلامی که به سیلقه کاربران نزدیک تر است، را به آن ها در کم ترین زمان ممکن توصیه می کند . امروزه، با افزایش داده، استفاده از سیستم های توصیه گر رو به افزایش است. از طرفی دیگر این سیستم ها با چالش هایی از جمله تغییر سلیقه کاربران در طی زمان، شروع سرد، خلوت بودن ماتریس کاربر-قلم، حملات افراد جعلی در سیستم و تاثیر منفی آن ها در لیست توصیه سیستم روبرو هستند. هدف این مقاله ارائه یک سیستم توصیه گر زمان و اعتماد مبنا جهت بهبود کارایی و افزایش دقت توصیه های سیستم است. سیستم پیشنهادی در ابتدا با افزودن برخی امتیاز های ضمنی قابل اعتماد به ماتریس امتیاز دهی کاربر- قلم، مشکل پراکندگی داده را حل نموده و سپس یک شبکه وزن دار کاربر-کاربر براساس زمان ارائه نظر کاربر نسبت به قلم و روابط اعتماد میان کاربران تولید می نماید که بدین ترتیب مشکل شروع سرد و تغییر سلیقه کاربر در طی زمان را رفع می کند. سیستم توصیه گر پیشنهادی بر اساس الگوریتم تشخیص جامعه جدیدی که در این مقاله ارائه شده است، نزدیک ترین کاربران همسایه و هم سلیقه با کاربر فعال را پیدا نموده و بر اساس روش پالایش همکارانه، کا-بالاترین قلم را به کاربر پیشنهاد می دهد. نتایج ارزیابی سیستم پیشنهادی برای سیستم توصیه گر مبتنی بر فیلم بر روی مجموعه داده Epinions نشان می دهد سیستم پیشنهادی نسبت به سیستم های پایه از کارایی بالاتری برخوردار است.Recommender Systems Based On Time and Trust Using Graph Based Community Detection
Recently, the Internet has played a significant and substantial role in people's lives. However, the content available in the global web environment should align with users' daily needs, providing them with useful and up-to-date information tailored to their tastes. In this context, recommender systems assist users by suggesting items that closely match their preferences in less time. Today, with the exponential growth of data, the utilization of recommender systems has surged. Conversely, these systems encounter challenges such as evolving user preferences over time, cold start problem, sparsity within the user-item matrix, the infiltration of fake users in the systems, and their adverse impact on the recommendation lists.The objective of this paper is to propose a recommender system grounded in time and trust factors to enhance the efficiency and precision of system recommendations. Initially, the proposed system addresses the data sparsity dilemma by incorporating reliable implicit ratings into the user-item matrix. Subsequently, it constructs a weighted user-user network based on user rating timestamps and trust relationships among users, thereby mitigating the cold start problem and accounting for changing user preferences over time. The proposed recommender system employs a novel community detection algorithm introduced in this paper to identify the nearest neighbors of active users and recommends the top @k items based on the collaborative filtering approach. Evaluation results of the proposed system, tested on a film recommender system using the Epinions dataset, demonstrate its superior efficiency compared to basic systems.
تبلیغات
