تُنُکی داده

یکی از پیامدهای مهم گسترش اینترنت در عصر حاضر، پیدایش وبگاه های تجارت الکترونیکی است؛ اما تنوع اقلام عرضه شده می تواند انتخاب محصولات مناسب را برای مشتریان به فرایند پیچیده ای تبدیل کند. شرکت ها برای رفع این مشکل استفاده از سیستم های پیشنهاددهنده را توصیه می کنند. به دلیل درصد زیاد خطا در پالایش و ارائه پیشنهادها، معمولاً در این گونه سیستم ها از چند روش پایه برای پیشنهاد اقلام مورد علاقه کاربر استفاده می شود. روش پالایش همکارانه، یکی از موفق ترین روش های به کاررفته در این سیستم هاست؛ اما استفاده از این روش با افزایش تعداد کاربران و محصولات، مجموعه را با مشکلاتی مانند ناتوانی در پاسخگویی به نیازهای کاربران جدید و تُنُکی داده مواجه می کند. به منظور رفع مشکل یادشده، در این پژوهش روش جدیدی معرفی شده است که با ادغام زمان نرخ دهی کاربران با معیار شباهت یابی پیرسون و همچنین ادغام تکنولوژی های معنایی و شبکه اجتماعی، راه حلی برای کاهش مشکل کاربران جدید و تنکی داده ها ارائه می کند. نتایج پیاده سازی الگوریتم ها نشان می دهد رویکرد ارائه شده عملکرد بهتر و صحت بیشتری دارد و پیش بینی های آن با سلیقه کاربران همخوانی بیشتری دارد.