طراحی سیستم پیشنهاددهنده ترکیبی برای حل مشکل شروع سرد به کمک خوشه بندی و الگوریتم ازدحام ذرات آشوبی

امروزه یکی از مهم ترین چالش های افزایش اطلاعات، یافتن اطلاعات مورد علاقه از بین انبوه داده هاست. به این موضوع در طراحی سایت های تعاملی همواره توجه شده است. سیستم های پیشنهاددهنده برای حل این مسئله به وجود آمده اند تا به کاربران برای رسیدن به اطلاعات مورد نظرشان کمک کنند؛ اما این سیستم ها محدویت هایی دارند. یکی از مهم ترین چالش های پیش روی سیستم های پیشنهاددهنده، مشکل شروع سرد است. این مشکل زمانی به وجود می آید که یک کاربر (قلم داده) جدید وارد سیستم می شود. عدم وجود اطلاعات قبلی از این کاربر (قلم داده) باعث می شود سیستم نتواند به طور عادی پیشنهادها را تولید کند. در این مقاله برای حل مشکل شروع سرد کاربر، روش جدیدی به کمک ترکیب مدل های مبتنی برمحتوا و فیلترمشارکتی ارایه شده است. در این روش لیست پیشنهادی، دارای ویژگی هایی مانند کیفیت بالای قلم داده های پیشنهادی و تنوع آن ها است که دامنه ی اطلاعات دریافتی از کاربر را به سرعت گسترش می دهد، به همین دلیل کاربران را سریع تر از حالت شروع سرد خارج می کند. همچنین با استفاده از اطلاعات دموگرافیک کاربر، سعی شده قلم داده های لیست پیشنهادی به نحوی انتخاب شوند که به علایق کاربر نزدیک تر باشند تا دقت بیشتر شود.  نتایج ارزیابی روش پیشنهادی نشان می دهد میزان خطای MAE و RMSE نسبت به روش های موجود تا حد مطلوبی کاهش یافته است.