رئیس دانشکده مهندسی برق و کامپیوتر مجله مهندسی برق دانشگاه تبریز 2008-7799 48 1 2018 05 22 A Novel Hybrid Approach based on Profile Expansion Technique to Improve Cold Start Problem in Recommender Systems ارائه یک روش ترکیبی جدید بر اساس تکنیک گسترش پروفایل برای حل مسئله شروع سرد در سیستم‌های توصیه‌گر 151 159 7383 FA فریاد طهماسبی دانشگاه زنجان - دانشکده مهندسی مجید مقدادی دانشگاه زنجان - دانشکده مهندسی سجاد احمدیان دانشگاه زنجان - دانشکده مهندسی Journal Article 2016 08 31 Due to the growing volume of information available on the Web, the data search process is performed with spending a lot of time. In order to avoid wasting time of users, recommender systems provide information for them which is likely to be useful and valuable. Collaborative filtering is the most popular approach to provide recommendations for the users in recommender systems. However, it suffers from some problems such as cold start problem. In this paper, we present a novel hybrid approach based on profile expansion technique to improve the cold start problem in the recommender systems. In the proposed method, we take into consideration user’s demographic data beside user’s rating data in order to find an enrich neighborhood set for the active user. The results of experiments on MovieLens dataset showed that the proposed method outperformed the other recommendation methods. با توجه به رشد روزافزون حجم اطلاعات در دسترس در محیط جهانی وب، فرآیند جستجوی اطلاعات مورد نیاز کاربران با صرف زمان زیادی صورت می‌گیرد. سیستم‌های توصیه‌گر به‌منظور جلوگیری از اتلاف وقت کاربران، اطلاعاتی را در اختیار آن‌ها قرار می‌دهند که به احتمال زیاد مفید و ارزشمند هستند. متداول‌ترین روشی که برای تولید پیشنهاد در سیستم‌های توصیه‌گر مورد استفاده قرار می‌گیرد، روش پالایش مشارکتی است. این روش با وجود استفاده زیاد، دارای مشکلاتی نظیر مشکل شروع سرد است. در این مقاله یک روش ترکیبی جدید بر اساس تکنیک گسترش پروفایل برای بهبود مشکل شروع سرد ارائه شده است. در روش پیشنهادی علاوه بر شباهت رتبه‌دهی کاربران از شباهت دموگرافی کاربران به‌منظور انتخاب مجموعه همسایگان قوی‌تر برای کاربر هدف استفاده شده است. سیستم پیشنهادی با استفاده از مجموعه داده‌ای MovieLens مورد ارزیابی قرار گرفته و نتایج حاصل از آن حاکی از بهبود کارایی سیستم توصیه‌گر پیشنهادی نسبت به سایر روش‌ها است. https://tjee.tabrizu.ac.ir/article_7383_e2ca2245915bd17142a0bd25270522f1.pdf