ترکیب تجزیه نامنفی ماتریسی با روابط اعتماد برای توصیه در شبکه های اجتماعی

سیستم های توصیه گر، یکی از ابزارهای موثر برای کمک به کاربران است تا آیتم های مورد علاقه خودشان را پیدا کنند. سیستم های پالایش گروهی یکی از مشهورترین الگوریتم های توصیه به شمار می روند و در کارهای تجاری مختلفی استفاده شده اند. اما این سیستم ها در برخورد با کاربران و کالاهایی(آیتم هایی) که اطلاعات کمی از آن ها وجود دارد (کاربران یا کالاهای با شروع سرد) دارند، کارایی ضعیفی از خود نشان می دهند. برای مقابله با این چالش، در این مقاله، یک روش جدید مبتنی بر اطلاعات شبکه اجتماعی کاربران ارایه می شود که اطلاعات اعتماد بین کاربران را با تجزیه نامنفی ماتریس ترکیب می کند تا یک مدل مناسب برای توصیه به کاربر ایجاد شود. روش پیشنهادی اطلاعات مهم مانند، رتبه و اعتماد را برای کاهش پراکندگی داده و برخورد با مشکلات ناشی از شروع سرد، استفاده می کند. به علاوه، در روش پیشنهادی از راه کار بهینه سازی جهت متناوب برای افزایش همگرایی الگوریتم و کاهش پیچیدگی زمانی به طور مناسبی استفاده می شود. برای ارزیابی روش پیشنهادی چندین آزمایش روی دو مجموعه داده معتبر و مشهور انجام شده است. نتایج تجربی نشان می دهد که روش پیشنهادی، به ویژه، برای کاربران شروع سرد عملکرد بهتری نسبت به روش های جدید، برای توصیه در شبکه های اجتماعی دارد.