ارائه یک سامانه پیشنهادگر حافظه پایه ترکیبی با استفاده از هستان شناسی و محتوا

سامانه های پیشنهادگر در زمینه تجارت الکترونیک شناخته شده هستند. از این گونه سیستم ها انتظار می رود که کالاها و اقلام مهمی (از جمله موسیقی و فیلم) را به مشتریان پیشنهاد دهند. در سامانه های پیشنهادگر سنتی از جمله روش های پالایش محتوا پایه و پالایش مشارکتی، چالش ها و مشکلات مهمی از جمله شروع سرد، مقیاس پذیری و پراکندگی داده ها وجود دارد. اخیرا به کارگیری روش های ترکیبی توانسته با بهره گیری از مزایای این روش ها با هم، برخی از این چالش ها را تا حد قابل قبولی حل نمایند. در این مقاله سعی می شود روشی برای پیشنهاد ارایه شود که ترکیبی از دو روش پالایش محتوا پایه و پالایش مشارکتی (شامل دو رویکرد حافظه پایه و مدل پایه) باشد. روش پالایش مشارکتی حافظه پایه، دقت بالایی دارد، اما از مقیاس پذیری کمی برخوردار است. در مقابل، رویکرد مدل پایه دارای دقت کمی در ارایه پیشنهاد به کاربران بوده اما مقیاس پذیری بالایی از خود نشان می دهد. در این مقاله سامانه پیشنهادگر ترکیبی مبتنی بر هستان شناسی ارایه شده که از مزایای هر دو روش بهره برده و  براساس رتبه بندی های واقعی، مورد ارزیابی قرار می گیرد. هستان شناسی، توصیفی واضح و رسمی برای تعریف یک پایگاه دانش شامل مفاهیم (کلاس ها) در حوزه موضوعی، نقش ها (رابط ها) بین نمونه های مفاهیم، محدودیت های مربوط به رابطه ها، همراه با یک مجموعه از عناصر و اعضا (یا نمونه ها) است که یک پایگاه دانش را تعریف می کند. هستان شناسی در بخش پالایش محتوا پایه مورد استفاده قرار می گیرد و ساختار هستان شناسی توسط تکنیک های پالایش مشارکتی بهبود می یابد. در روش ارایه شده در این پژوهش، عملکرد سیستم پیشنهادی بهتر از عملکرد پالایش محتوا پایه و مشارکتی است. روش پیشنهادی با استفاده از یک مجموعه داده واقعی ارزیابی شده است و نتایج آزمایش ها نشان می دهد روش مذکور کارایی بهتری دارد. همچنین با توجه به راه کارهای ارایه شده در مقاله حاضر، مشخص شد، روش پیشنهادی دقت و مقیاس پذیری مناسبی نسبت به سامانه های پیشنهادگری دارد که صرفا حافظه پایه (KNN) و یا مدل پایه هستند.