ارائه یک معیار جدید اندازه‌گیری شباهت در سیستم‌های توصیه‌گر فازی

نوع مقاله: مقاله پژوهشی فارسی

نویسندگان

1 دانشگاه علوم و تحقیقات، تهران

2 گروه کامپیوتر، دانشگاه رجا قزوین، ایران

چکیده

با توسعه اینترنت، بشر امروزی با رشد انفجاری و تنوع اطلاعات مواجه است و این امر تصمیم‌گیری در زمینه های مختلف را با چالش مواجه کرده است. بدین منظور سیستم‌های توصیه‌گر با شناسایی علایق کاربران، فیلترکردن داده‌ها و مدیریت اطلاعات، باعث صرفه جویی در زمان، شخصی‌سازی تجارت الکترونیک، بهبود بازاریابی و غیره شده است. یکی از موفق‌ترین روش‌های سیستم‌های توصیه‌گر، فیلترینگ همکاری است که مبتنی بر شباهت بین کاربران می‌باشد. در سیستم‌های توصیه‌گر، دقت و کیفیت توصیه‌ها اهمیت بسزایی دارند. راهکار‌های مختلفی مانند استفاده از منطق فازی برای بهبود دقت و کیفیت توصیه‌ها، ارائه شده است. استفاده از منطق فازی، روشی موثر برای برخورد با عدم قطعیت در اندازه‌گیری شباهت آیتم‌ها و کاربران است. در این پژوهش، روشی جدیدی برای اندازه‌گیری شباهت فازی به نام FSM براساس فاکتور‌های محبوبیت و اهمیت، در سیستم‌های توصیه‌گر فیلترینگ همکاری ارائه شده است. در روش پیشنهادی، از اعداد فازی برای بهبود دقت و کیفیت توصیه‌ها استفاده شده است. روش پیشنهاد شده، توسط معیار‌های MAE ،F1 ، فراخوانی و صحت ارزیابی شده است. مقدار F1 در حالت استفاده از معیار شباهت پیشنهادی نسبت به روش‌های مبتنی بر معیار‌های PIP و NHSM به ترتیب ۱۷ و ۲۰ درصد افزایش یافته است. همچنین معیارهای فراخوانی و صحت بدست آمده از این روش نسبت به دو روش مذکور نیز بهبود قابل توجهی یافته‌اند.

کلیدواژه‌ها


H. Liu, Z. Hu, A. Mian, H. Tian, and X. Zhu, "A new user similarity model to improve the accuracy of collaborative filtering," Knowledge-Based Systems, vol. 56, pp. 156-166, 2014.

X. Yang, Y. Guo, Y. Liu, and H. Steck, "A survey of collaborative filtering based social recommender systems," Computer Communications, vol. 41, pp. 1-10, 2014.

م. م. رهنی, "ارائه چارچوبی برای توسعه ی سامانه ی پیشنهادگر محصولات در وب سایت های تجارت الکترونیک با استفاده از تکنیک های فازی," کارشناسی ار, دانشگاه شیراز- دولتی, 1391.

J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques: Elsevier, 2011.

H. J. Ahn, "A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem," Information Sciences, vol. 178, pp. 37-51, 2008.

T. Mahara, "A new similarity measure based on mean measure of divergence for collaborative filtering in sparse environment," Procedia Computer Science, vol. 89, pp. 450-456, 2016.

N. Polatidis and C. K. Georgiadis, "A multi-level collaborative filtering method that improves recommendations," Expert Systems with Applications, vol. 48, pp. 100-110, 2016.

N. Polatidis and C. K. Georgiadis, "A dynamic multi-level collaborative filtering method for improved recommendations," Computer Standards & Interfaces, vol. 51, pp. 14-21, 2017.

T. Arsan, E. Köksal, and Z. Bozkus, "Comparison of Collaborative Filtering Algorithms with Various Similarity Measures for Movie Recommendation," International Journal of Computer Science, Engineering and Applications (IJCSEA), vol. 6, pp. 1-20, 2016.

J. Xu, K. Johnson-Wahrmann, and S. Li, "The development, status and trends of recommender systems: a comprehensive and critical literature review," in Proceedings of International Conference Mathematics and Computers in Science and Industry, pp. 117-122, 2014.

A. Abbas, L. Zhang, and S. U. Khan, "A survey on context-aware recommender systems based on computational intelligence techniques," Computing, vol. 97, pp. 667-69 , 2015.

J. Mancera, M. T. Nguyen, and E. Portmann, "A Fuzzy-Based Recommender System: Case Börsenspiel for Swiss Universities," in Applying Fuzzy Logic for the Digital Economy and Society, ed: Springer, pp. 185-207, 2019.

J. Lu, Q. Shambour, Y. Xu, Q. Lin, and G. Zhang, "a web‐based personalized business partner recommendation system using fuzzy semantic techniques," Computational Intelligence, vol. 29, pp. 37-69, 2013.

ر. داوطلب, "بهبود روش‌های طبقه‌بندی و خوشه‌بندی با تکیه بر شبکه‌های FMM," کارشناسی ارشد, دانشکده فنی و مهندسی, دانشگاه بوعلی سینا 1390.

A. Panda and M. Pal, "A study on pentagonal fuzzy number and its corresponding matrices," Pacific Science Review B: Humanities and Social Sciences, vol. 1, pp. 131-139, 2015.

D. Chakraborty and D. Guha, "Addition two generalized fuzzy numbers," International Journal of Industrial Mathematics, vol. 2, pp. 9-20, 2010.

H. A. Khorshidi and S. Nikfalazar, "An improved similarity measure for generalized fuzzy numbers and its application to fuzzy risk analysis," Applied Soft Computing, 2016.

S.-J. Chen and S.-M. Chen, "Fuzzy risk analysis based on measures of similarity between interval-valued fuzzy numbers," Computers & Mathematics with Applications, vol. 55, pp. 1670-1685, 2008.

S.-M. Chen and J.-H. Chen, "Fuzzy risk analysis based on ranking generalized fuzzy numbers with different heights and different spreads," Expert systems with applications, vol. 36, pp. 6833-6842, 2009.

K. U. Madhuri, S. S. Babu, and N. R. Shankar, "Fuzzy risk analysis based on the novel fuzzy ranking with new arithmetic operations of linguistic fuzzy numbers," Journal of Intelligent & Fuzzy Systems, vol. 26, pp. 2391-2401, 2014.

M. Ayub, M. A. Ghazanfar, Z. Mehmood, T. Saba, R. Alharbey, A. M. Munshi and M. A. Alrige, "Modeling user rating preference behavior to improve the performance of the collaborative filtering based recommender systems," PloS one, vol. 14, p. e0220129, 2019.

M. Ayub, M. A. Ghazanfar, M. Maqsood, and A. Saleem, "A Jaccard base similarity measure to improve performance of CF based recommender systems," in 2018 International Conference on Information Networking (ICOIN), pp. 1-6, 2018.

J. Bobadilla, A. Hernando, F. Ortega, and J. Bernal, "A framework for collaborative filtering recommender systems," Expert Systems with Applications, vol. 38, pp. 14609-14623, 2011.

M. Y. H. Al-Shamri, "User profiling approaches for demographic recommender systems," Knowledge-Based Systems, vol. 100, pp. 175-187, 2016.